更新 14章 文档部分

src/python/14.SVD/svdRecommend.py

@@ -52,14 +52,20 @@ def loadExData():
            [1, 1, 1, 0, 0],
            [5, 5, 5, 0, 0]]
     """
+    # # 原矩阵
+    # return[[1, 1, 1, 0, 0],
+    #        [2, 2, 2, 0, 0],
+    #        [1, 1, 1, 0, 0],
+    #        [5, 5, 5, 0, 0],
+    #        [1, 1, 0, 2, 2],
+    #        [0, 0, 0, 3, 3],
+    #        [0, 0, 0, 1, 1]]
+
     # 原矩阵
-    return[[1, 1, 1, 0, 0],
-           [2, 2, 2, 0, 0],
-           [1, 1, 1, 0, 0],
-           [5, 5, 5, 0, 0],
-           [1, 1, 0, 2, 2],
-           [0, 0, 0, 3, 3],
-           [0, 0, 0, 1, 1]]
+    return[[0, -1.6, 0.6],
+           [0, 1.2, 0.8],
+           [0, 0, 0],
+           [0, 0, 0]]
 
 
 # 相似度计算，假定inA和inB 都是列向量
@@ -297,12 +303,15 @@ def imgCompress(numSV=3, thresh=0.8):
 if __name__ == "__main__":
 
     # # 对矩阵进行SVD分解(用python实现SVD)
-    # Data = loadExData()
-    # print Data
-    # U, Sigma, VT = linalg.svd(Data)
+    Data = loadExData()
+    print 'Data:', Data
+    U, Sigma, VT = linalg.svd(Data)
     # # 打印Sigma的结果，因为前3个数值比其他的值大了很多，为9.72140007e+00，5.29397912e+00，6.84226362e-01
     # # 后两个值比较小，每台机器输出结果可能有不同可以将这两个值去掉
-    # print Sigma
+    print 'U:', U
+    print 'Sigma', Sigma
+    print 'VT:', VT
+    print 'VT:', VT.T
 
     # # 重构一个3x3的矩阵Sig3
     # Sig3 = mat([[Sigma[0], 0, 0], [0, Sigma[1], 0], [0, 0, Sigma[2]]])
@@ -326,10 +335,10 @@ if __name__ == "__main__":
     """
 
     # 计算相似度的方法
-    myMat = mat(loadExData2())
+    # myMat = mat(loadExData2())
     # print myMat
     # 计算相似度的第一种方式
-    print recommend(myMat, 1, estMethod=svdEst)
+    # print recommend(myMat, 1, estMethod=svdEst)
     # 计算相似度的第二种方式
     # print recommend(myMat, 1, estMethod=svdEst, simMeas=pearsSim)