Python 训练数据并获得每个特征的权重

我们正在开发一个推荐系统，我发现属性本身可能是向量

因此，目前，该公司已经有了向用户列出推荐列表的功能，但他们使用的每个功能的权重是手动定义的。因此，我们决定先对数据进行训练，然后使用机器学习的方法获得权重。然后得到用户的反馈，作为下一步推荐预测的标签

是否有理想的方法来获得每个功能的最佳权重？比如网格搜索，梯度下降

我认为我们不能将值作为向量的特征平坦化（sklearn:one hot encoding或pandas:get_dummies）。因为我想得到特征的权重，而不是子特征值1，子特征值2。 所以，平坦在这里不起作用，我必须试着改变距离来做吗？但是如何将它们结合在一起（改变距离函数和使用网格搜索）

---

可以使用神经网络（反向传播）获得特征权重。如果您想避免使用NN，可以使用单个感知器。 （说明是）是一个应用于文本分类的单一感知器算法的示例，您需要根据自己的特点对其进行调整。

了解推荐系统的基础知识。希望您能找到相关信息

你可以参观这个。是的，有一些算法，比如网格搜索，可以帮助找到最佳权重矩阵

网格搜索意味着您拥有一组模型（它们的参数值彼此不同，位于网格上）。你要做的是训练每个模型，并使用交叉验证对其进行评估。然后选择表现最好的一个

举一个具体的例子，如果你使用支持向量机，你可以对gamma和C使用不同的值。例如，你可以有一个网格，其中（gamma，C）的值如下：（1,1），（0.1,1），（1,10），（0.1,10）。这是一个网格，因为它就像是gamma的[1,0.1]和C的[1,10]的乘积。网格搜索基本上会为这四对（gamma，C）值中的每一对训练一个SVM，然后使用交叉验证对其进行评估，并选择表现最好的一个

对于梯度下降： 该过程的第一步要求将训练数据集的顺序随机化。这是为了混淆对系数进行更新的顺序。由于系数在每次训练实例后都会更新，因此更新会到处都是噪声，相应的成本函数也会随之更新。通过混合系数更新的顺序，它利用了这种随机行走，避免了分心或卡住。 对于非常大的训练数据集，使用随机梯度下降可以更快地进行学习，通常您只需要通过数据集进行少量的传递，就可以获得一组好的或足够好的系数，例如，通过数据集进行1到10次传递

因此，据我所知，有一种完美的方法。这基本上取决于很多事情。正如您可能知道的，这对于算法应用程序SVM、决策树、随机森林都是一样的，它们都根据情况给出了变化

关于第二个问题，我不知道它想表达什么。 希望这有帮助