我们正在开发一个推荐系统，我得到的问题可能是向量本身。
所以，目前公司已经有了向用户列出推荐列表的功能，但是他们使用的每个功能的权重是手动定义的。所以我们决定先训练数据，然后用机器学习的方法获得权重。然后得到用户的反馈，作为下一个推荐预测的标签。
是否有任何理想可以为每个功能获得最佳权重？比如grid_search，梯度下降？
我认为我们不能扁平化（sklearn：一种热编码或 pandas：get_dummies）值是向量的特征。因为我想获得特征的权重，而不是 subfeature_1，subfeaturevalue_2。那么，flatten在这里是行不通的，我得试着改变距离来做呢？但是如何将它们组合在一起（改变距离函数并使用grid_search）？
https://github.com/Grasin98/recommender_live推荐系统的基础知识。希望你觉得它相关。
你可以访问这个。是的，有像网格搜索这样的算法可以帮助找到最佳权重矩阵。
网格搜索意味着您有一组模型（它们的参数值彼此不同，位于网格上）。然后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，您选择表现最好的那个。
举一个具体的例子，如果你使用支持向量机，你可以为 gamma 和 C 使用不同的值。因此，例如，你可以有一个网格，其 (gamma, C) 具有以下值： (1, 1 ), (0.1, 1), (1, 10), (0.1, 10)。它是一个网格，因为它就像 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) 值中的每一个训练一个 SVM，然后对其进行评估使用交叉验证，并选择一个做得最好的。
对于梯度下降：程序的第一步要求训练数据集的顺序是随机的。这是为了混淆对系数进行更新的顺序。因为在每个训练实例之后都会更新系数，所以更新会到处乱跳，相应的成本函数也会如此。通过混合更新系数的顺序，它可以利用这种随机游走并避免它分心或卡住。对于非常大的训练数据集，使用随机梯度下降可以更快地学习，并且通常您只需要少量通过数据集即可达到良好或足够好的系数集，例如通过数据集 1 到 10 次。
所以据我所知，有知道完美的方法。它基本上取决于很多事情。您可能知道，算法应用程序 SVM、决策树、随机森林也是如此，它们都会根据情况给出变化。
至于第二个问题，我不确定它试图传达什么。希望这可以帮助。