Learn AI with Python · 강의

SVD를 활용한 행렬 인수분해

사용자-항목 행렬, SVD 분해, 잠재 요인, Surprise 라이브러리 구현을 다룹니다.

레슨 2/413개 단계

SVD를 활용한 행렬 인수분해은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

행렬 분해를 사용하는 이유

사용자-아이템 행렬은 매우 크고 대부분 비어 있습니다. 행렬 분해는 이 행렬을 잠재 요인으로 이루어진 더 작은 두 행렬로 압축합니다. 하나는 사용자용이고 다른 하나는 아이템용이며, 두 행렬의 곱으로 평점을 복원하고 빈 부분을 채웁니다. 이 방법은 이웃 기반 방법보다 희소성을 훨씬 잘 처리합니다.

잠재 요인 직관

각 사용자와 아이템은 숨겨진 특성을 나타내는 짧은 벡터로 표현됩니다. 영화의 경우 액션 성향이나 코미디 성향 같은 특성일 수 있습니다. 예측 평점은 사용자 벡터와 아이템 벡터의 내적이며, 이 벡터는 오직 데이터만으로 학습됩니다.

Surprise 라이브러리

필요한 구성 요소를 가져오십시오. 알고리즘, 데이터셋 래퍼, 그리고 데이터 형식을 설명하는 읽기 도구가 필요합니다.

from surprise import SVD, Dataset, Reader
from surprise.model_selection import cross_validate

리더와 평점 범위

리더는 평점 범위를 통해 유효한 평점의 범위를 Surprise에 알려 줍니다. 데이터에 맞게 설정하십시오(예: 별 1개부터 5개까지). 그렇지 않으면 예측값의 보정이 잘못됩니다.

reader = Reader(rating_scale=(1, 5))

DataFrame 불러오기

사용자, 아이템, 평점 순서로 정확히 세 개의 열을 가진 DataFrame을 불러오십시오.

data = Dataset.load_from_df(
    df[["user_id", "item_id", "rating"]],
    reader
)

교차 검증

cross_validate는 여러 폴드에 걸쳐 모델을 평가하고 오류 측정값을 보고합니다. 이를 통해 분리해 둔 데이터에서 정확도를 공정하게 판단할 수 있습니다.

results = cross_validate(
    SVD(), data,
    measures=["RMSE", "MAE"],
    cv=5,
    verbose=True
)

RMSE와 MAE

RMSE(평균 제곱근 오차)는 큰 오류에 큰 페널티를 줍니다.
MAE(평균 절대 오차)는 절대 오차의 평균으로, 해석하기가 더 쉽습니다.

두 지표 모두 낮을수록 좋으며, RMSE는 평점 예측에서 표준적으로 사용하는 대표 지표입니다.

전체 데이터셋으로 학습

검증이 끝나면 예측을 제공하기 전에 전체 데이터셋으로 학습하십시오.

trainset = data.build_full_trainset()
algo = SVD()
algo.fit(trainset)

예측 만들기

algo.predict(uid, iid)는 예측 객체를 반환하며, 이 객체의 .est 필드에는 해당 사용자-아이템 쌍에 대한 추정 평점이 들어 있습니다.

pred = algo.predict(uid="user_42", iid="item_99")
print(pred.est)  # estimated rating

하이퍼파라미터 조정

주요 SVD 설정은 n_factors(잠재 차원), n_epochs, lr_all(학습률), reg_all(정규화)입니다. GridSearchCV를 사용해 RMSE 기준으로 가장 좋은 조합을 찾으십시오.

from surprise.model_selection import GridSearchCV

grid = {"n_factors": [50, 100], "reg_all": [0.02, 0.1]}
gs = GridSearchCV(SVD, grid, measures=["rmse"], cv=3)
gs.fit(data)
print(gs.best_params["rmse"])

빠른 확인

행렬 분해 지식을 테스트해 보십시오.

인터랙티브 레슨에서 답해보세요

복습

SVD를 통한 행렬 분해를 학습했습니다. 잠재 사용자 벡터와 아이템 벡터의 내적으로 평점을 예측합니다. surprise를 사용해 평점 범위를 설정하고, 데이터를 불러오고, cross_validate를 RMSE/MAE와 함께 실행하고, 학습한 뒤 algo.predict(uid, iid)를 호출했습니다. 다음 주제는 콘텐츠 기반 필터링입니다.

무료로 시작

AI 튜터와 함께 Python을(를) 배우세요 — 무료

브라우저에서 실제 코드를 작성하고 실행하며, 24/7 AI 튜터로부터 즉각적인 도움을 받고, 웹이나 앱에서 중단한 부분부터 계속 학습하세요.

코스: 53
레슨: 225

무료로 학습 시작 전체 코스 보기

자주 묻는 질문

“SVD를 활용한 행렬 인수분해” 강의는 무료인가요?

네 — “SVD를 활용한 행렬 인수분해” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

“SVD를 활용한 행렬 인수분해”에서 뭘 배우나요?

사용자-항목 행렬, SVD 분해, 잠재 요인, Surprise 라이브러리 구현을 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.

“SVD를 활용한 행렬 인수분해” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Learn AI with Python(으)로 돌아가기