def tps_calc_m1(k):
t0 = time.clock()
users, items = ld.check_data("ml-100k/u.data")
mat_u_i = ld.matrice_user_item("ml-100k/u.data", users, items)
mat_cm = ld.remplissage_moyenne_mixte(mat_u_i)
ta = 0 # time.clock() - t0
tps = []
ks = []
for i in k:
t1 = time.clock()
m = mmat.simplifier(mat_cm, i)
t2 = time.clock()
tps += [t2 - t1 + ta]
ks += [i]
return (ks, tps)
def f1():
"""
Affichage des matrices remplies
"""
# Compte le nombre d'users et d'items
users, items = ld.check_data("ml-100k/u.data")
# Construction matrice user/items de u.data
mat_u_i = ld.matrice_user_item("ml-100k/u.data", users, items)
# Différentes approximations par moyennes
mat_cu = ld.remplissage_moyenne_user(mat_u_i)
mat_cf = ld.remplissage_moyenne_film(mat_u_i)
mat_cm = ld.remplissage_moyenne_mixte(mat_u_i)
m = mmat.simplifier(mat_cm, 10)
# Dessin des graphes
plt.imshow(np.dot(m[0], m[1]), interpolation="none", vmin=0, vmax=5, cmap="Reds")
plt.title("Suggestion avec k=10 pour le remplissage mixte")
plt.axis([0, 1681, 942, 0])
plt.colorbar()
plt.xlabel("Film")
plt.ylabel("Utilisateur")
plt.show()
def f3(ran, mode=0):
"""
Permet de calculer les MAE (SVD) pour un range de k et d'afficher le graphe
"""
file_approx = "ml-100k/u1.base"
file_test = "ml-100k/u1.test"
dim1 = ld.check_data(file_approx) # Dim de base
dim2 = ld.check_data(file_test) # Dim de test
# Matrice des predictions
mui = ld.matrice_user_item(file_approx, dim1[0], dim1[1]) # Matrice user item de la base
if mode == 0:
mui_r = ld.remplissage_moyenne_user(mui) # remplissage
elif mode == 1:
mui_r = ld.remplissage_moyenne_film(mui) # remplissage
else:
mui_r = ld.remplissage_moyenne_mixte(mui) # remplissage
Xk, Yk = mmat.simplifier(mui_r, max(ran)) # Matrices des predictions
# Matrice du test
mui_t = ld.matrice_user_item(file_test, dim1[0], dim1[1])
# Calcul des mae
maes = []
print np.array(list(reversed(ran)))
for k in reversed(ran):
Xk, Yk = mmat.reduire(Xk, Yk, k) # Matrices des predictions
maes += [fn.mae(mui_t, Xk, Yk)]
print maes
print maes
return (np.array(list(reversed(ran))), maes)
def f2(k):
"""
Permet de sauvegarder sous forme de pickle les matrices de la
decomposition au degré k par SVD
"""
nfile = "decomp_udata_k" + str(k)
# Approximation bas rang avec k = 30
# Compte le nombre d'users et d'items
users, items = ld.check_data("ml-100k/u.data")
# Construction matrice user/items
mat_u_i = ld.matrice_user_item("ml-100k/u.data", users, items)
mat_r = ld.remplissage_moyenne_mixte(mat_u_i)
X, Y = mmat.simplifier(mat_u_i, k)
mmat.save_decomposition(X, Y, nfile)
return nfile