1、使用预测算法
Surprise提供了一堆内置算法。所有算法都派生自AlgoBase基类，其中实现了一些关键方法（例如predict，fit和test）。可以在prediction_algorithms包文档中找到可用预测算法的列表和详细信息 。
每个算法都是全局Surprise命名空间的一部分，因此您只需要从Surprise包中导入它们的名称，例如：
from surprise import KNNBasic
algo = KNNBasic()
（1）、基线估计配置
可以使用两种不同的方式估算基线：
- 使用随机梯度下降（SGD）。
- 使用交替最小二乘法（ALS）。
可以使用bsl_options 在创建算法时传递的参数来配置基线的计算方式。此参数是一个字典，其中的键'method'指示要使用的方法。可接受的值是'als'（默认）和'sgd'。根据其值，可以设置其他选项。
对于ALS:
reg_i:item的正则化参数。默认为10.
reg_u:user的正则化参数。默认为15.
n_epochs:ALS过程的迭代次数。默认为10.
对于SGD:
reg:优化的成本函数的正则化参数。默认为0.02.
learning_rate:SGD的学习率。默认为0.005.
n_epochs:SGD过程的迭代次数。默认为20.
不论SGD还是ALS，损失量默认为0.
例子：
print('Using ALS')
bsl_options = {'method': 'als',
'n_epochs': 5,
'reg_u': 12,
'reg_i': 5
}
algo = BaselineOnly(bsl_options=bsl_options)
print('Using SGD')
bsl_options = {'method': 'sgd',
'learning_rate': .00005,
}
algo = BaselineOnly(bsl_options=bsl_options)
#请注意，某些相似性度量可能会使用基线，例如 pearson_baseline相似性。无论基线是否用于实际预测r，配置的工作方式都相同
bsl_options = { 'method' ： 'als' ，
'n_epochs' ： 20 ，
}
sim_options = { 'name' ： 'pearson_baseline' }
algo = KNNBasic （bsl_options = bsl_options ， sim_options = sim_options ）
（2）：相似度配置
许多算法使用相似性度量来估计评级。它们的配置方式与基线评级类似：您只需sim_options在创建算法时传递参数即可。此参数是包含以下（所有可选）键的字典：
name:要使用的相似性的名称，如similarities模块中所定义 。默认是'MSD'。
user_based:是否在用户之间或项目之间计算相似性。这对预测算法的性能有很大影响。默认是True。
min_support:共同项目的最小数目（当'user_based' 是'True'）或普通用户的最小数目（当'user_based'是 'False'用于相似性）不为零
shrinkage:要应用的收缩参数（仅与pearson_baseline相似性相关 ）。默认值为100。
用法：
sim_options = {'name': 'cosine',
'user_based': False # compute similarities between items
}
algo = KNNBasic(sim_options=sim_options)
sim_options = {'name': 'pearson_baseline',
'shrinkage': 0 # no shrinkage
}
algo = KNNBasic(sim_options=sim_options)
