Upload recom.py

RecSys (рекомендательные системы) - используй библиотеку surprise или ещё лучше Rectools (тип что мы в конце веги делали)

recom.py

@@ -0,0 +1,63 @@
+import pandas as pd
+import numpy as np
+import rectools as rt
+from rectools.models import PopularModel, UserKNNModel
+from rectools.dataset import Dataset
+from rectools.metrics import precision_at_k, recall_at_k, map_at_k
+from sklearn.model_selection import train_test_split
+
+# Пути к файлам
+DATA_PATH = "dataset/"
+TRAIN_FILE = DATA_PATH + "train.csv"
+TEST_FILE = DATA_PATH + "test.csv"
+SUBMISSION_FILE = "submission.csv"
+
+# Загрузка данных
+train_df = pd.read_csv(TRAIN_FILE)
+test_df = pd.read_csv(TEST_FILE)
+
+# Разделение данных на train/val
+train_data, val_data = train_test_split(train_df, test_size=0.2, random_state=42)
+
+# Создание датасета
+dataset = Dataset.construct(train_data, user_col="user_id", item_col="item_id", feedback_col="rating")
+val_dataset = Dataset.construct(val_data, user_col="user_id", item_col="item_id", feedback_col="rating")
+
+# Инициализация моделей
+pop_model = PopularModel()
+pop_model.fit(dataset)
+
+knn_model = UserKNNModel(K=10, similarity="cosine")
+knn_model.fit(dataset)
+
+# Функция предсказания рекомендаций
+def predict(model):
+    user_ids = test_df["user_id"].unique()
+    recommendations = model.recommend(user_ids, dataset, k=10)  # Топ-10 рекомендаций
+    return recommendations
+
+# Оценка моделей на валидации
+def evaluate_model(model):
+    user_ids = val_data["user_id"].unique()
+    recs = model.recommend(user_ids, dataset, k=10)
+    precision = precision_at_k(val_dataset, recs, k=10)
+    recall = recall_at_k(val_dataset, recs, k=10)
+    map_score = map_at_k(val_dataset, recs, k=10)
+    print(f"Precision@10: {precision:.4f}, Recall@10: {recall:.4f}, MAP@10: {map_score:.4f}")
+
+# Сохранение предсказаний в CSV
+def save_predictions(predictions, filename=SUBMISSION_FILE):
+    predictions.to_csv(filename, index=False)
+    print(f"Predictions saved to {filename}")
+
+# Запуск
+if __name__ == "__main__":
+    print("Evaluating Popular Model...")
+    evaluate_model(pop_model)
+    
+    print("Evaluating UserKNN Model...")
+    evaluate_model(knn_model)
+    
+    print("Generating final predictions...")
+    preds = predict(knn_model)  # Используем UserKNN для финальных рекомендаций
+    save_predictions(preds)