说个实话，知乎专栏还是非常不错的
其实矩阵分解不能算作是一种预测算法，任何一个矩阵拿来就可以进行矩阵分解。
当分类器确定下来之后，最困难的事情就是交叉验证了。
说句实话，我整个实验就是在做验证。
因为模型都非常的简单。
半监督学习下的实验流程：（我以下所讲的均是半监督学习下的情况，不使用与有监督学习的情况。就想杨为泰学长说的那样，不同的情况下我们的处理方式不一样）
1.取的是所有的样本。
2.用留一法和五折交叉进行验证
留一法验证：
思路：对每一个样本点进行遍历。也就是说对网格中的每一个样本进行遍历。
将该样本作为测试集，网格中剩余的其他样本作为训练集。
但是因为我的预测模型的要求，我需要用到网格矩阵。但是原始网格中既包含了训练集，又包含了测试集，所以需要将网格中测试集的位置置为0，然后将置0之后的网格传进去，作为训练矩阵，最终得到一个分数矩阵。
然而，我们只是对测试集进行验证，所以这一次预测，我只是为了预测刚刚测试集对应位置的分数，所以我只提取这一个位置的分数。但是本次实验结果的测试集中仅仅有一个值，是无法通过阈值来绘制roc曲线的。因此需要将所有折计算完毕之后得到一个总的分数矩阵。这个矩阵就是打分矩阵
该打分矩阵中的每一个元素都对应着一次实验的训练集，他们所对应的真实值就是原本的训练矩阵。 通过这两个矩阵就可以绘制roc曲线，计算各项指标了。
以上是通过循环遍历来解决问题的。其实是可以有优化的地方。当测试集为0时，此时将测试集置0，得到的是一个跟原矩阵相同的矩阵。我们将这个矩阵作为训练矩阵，结果我们只提取了该位置的分数。对原矩阵中所有为0的位置，我们都是进行这样的操作，实际上我们都是在对原矩阵进行操作。所以我们只需要将原矩阵作为训练矩阵，只需要计算一次，就提取原矩阵中所有为0的位置的分数。大大的提高了效率
半监督五折交叉验证：
1.五折交叉验证的样本是取所有的样本吗？
答：是的。
2.半监督为什么不划分正负样本比例，而是仅仅对正样本进行平分五份？
答：半监督1代表已知标签，0代表未知标签。所以只需要对正样本进行划分。每一次将一部分正样本对应位置在训练矩阵中置为0，（注意此时训练矩阵中的0有两类，一类是我测试集置为0的，一类是本身就是0的）。得出来分数后，我取train_matrix中所有为0的位置作为预测值集合，用原来矩阵中对应位置的值作为真实值，进行模型评估。
在回答这个问题的时候，我去查了很多资料，说句实话，网上并没有非常好的东西。这就是为什么到现在老师还没有被替代的原因。只不过是学得快慢的问题。
网友评论