安装scikit-surprise库的方法最终解答！_Python库

我的环境：Window10，Python3.5，Anaconda3，Pycharm2018.6.2

scikit-surprise

scikit-surprise（通常简写为surprise）是一个专门用于构建和分析推荐系统的Python库，它专注于推荐系统领域的算法实现，简化了推荐算法的实现和性能评估流程。

scikit-surprise支持多种协同过滤推荐算法，特别适合处理显式反馈评分数据，即用户对物品明确给出的评分数据，这是一种基于用户历史行为数据的推荐方法。

安装：

学推荐系统会用到这个scikit-surprise库，但是安装这个库很累人啊，我被折磨的不要不要的，却好像还还很开心的样子。
在pycharm上直接 pip install scikit-surprise 肯定是不行的，会出现没有这个库，即使有这个库也pip不了。

打开Anaconda-Prompt 输入命令安装(有Anaconda的话)

①
conda install -c conda-forge scikit-surprise

自动将scikit-surprise以及配套的numpy版本下载好！！

但是也会遇到一些小麻烦,基本上是镜像源的原因。 实在不行的话，转此文去解决。

效果展示：

要在Pycharm中应用到这个scikit-surprise库

在Files->Settings->Project Interpreter->show里面展示你所安装的所有库

在Files->Settings->Project Interpreter-> + 里面添加库

进入到添加库后，New environment是创建新环境，在Existing environment是选择已有的环境

在Existing environment已有的环境里选择Anaconda环境，向所有项目提供

回到Files->Settings->Project Interpreter->show里面在展示你所安装的所有库，就能找到scikit-surprise

在.py文件中import scikit-surprise

①
import scikit-surprise

OK咯！！！能愉快的去学习推荐系统呢。

scikit-surprise库的主要特点和功能：

- 广泛的算法支持：

协同过滤（Collaborative Filtering）算法：包括基于用户的CF（User-BasedCF）、基于物品的CF（Item-Based CF）以及其他变体。 基于矩阵分解的算法：如SVD（Singular ValueDecomposition）、SVD++、NMF（Non-negative Matrix Factorization）等。其他推荐算法：比如贝叶斯个性化排序算法（BaselineOnly、BPMF等）。

- 评估模块：

内置了多种评估指标，如RMSE（Root Mean Squared Error）、MAE（Mean Absolute Error）、Precision@k、Recall@k等，方便比较不同推荐算法的效果。

- 数据处理：

- 提供了便捷的数据集加载机制，支持从文件或内置数据集（如 MovieLens，方便用户快速开始实验和原型设计）中加载数据，并且能够将数据转换成适合算法使用的内部格式。

- 支持数据预处理，例如填充缺失值、归一化评分等。

- 可扩展性：

- 用户可以很容易地添加自己的推荐算法或者修改现有算法的行为。

- 简洁的API设计：

- 采用面向对象的设计模式，使得算法的训练、预测和评估过程非常直观和容易理解，用户可以轻松地切换算法、调整参数，并进行交叉验证。

- 实际应用：

- 适用于电影推荐、音乐推荐、商品推荐等多种场景下的推荐系统开发和研究工作。

scikit-surprise库的基本使用步骤：

- 1.安装：通过 pip 安装 scikit-surprise 库。

- 2.选择算法：从支持的算法中选择一个适合您任务的算法。

- 3.读取数据：将数据加载到 Surprise 的数据结构中。数据通常是一个用户-物品-评分的三元组。

- 4.训练模型：使用选择的算法和数据进行模型训练。

- 5.评估模型：使用交叉验证或其他方法评估模型的性能。

- 6.生成推荐：使用训练好的模型生成推荐。

希望本文对你安装Python的XXX库提供了帮助。
SueMagic wish you a happy coding~
有疑问可联系我。

友情链接参考：

scikit-surprise库官方

pypi

Python第三方库文章

安装gensim库的方法最终解答！_Python第三方库