因为sgdregressor默认对所有位置（含缺失值）计算误差，将nan或0误作真实负样本惩罚，且其l2正则作用于预测矩阵元素而非用户/物品隐向量，导致模型学偏。
为什么直接用 sklearn 的 SGDRegressor 做协同过滤会出错？
因为协同过滤的损失函数不是标准回归形式：它只对观测到的评分（非空值）计算误差，而 SGDRegressor 默认对所有位置求均方误差，会把大量隐式缺失值（0 或 NaN）当成真实负样本惩罚，导致模型学偏。正则化项（如 L2）也必须只作用于用户/物品隐向量本身，而非预测矩阵的每个元素。
surprise 库里 SVD 的正则化参数怎么调才有效？
surprise 的 SVD 实现已内置带 L2 正则的交替最小二乘（ALS）和随机梯度下降（SGD），但参数名易误解：reg_all 控制全局 L2 正则强度，reg_u 和 reg_i 分别单独约束用户/物品向量。常见错误是只设 reg_all=0.02 却忽略 n_factors 过大（如 >100）时，即使正则小也会过拟合。
-
reg_u和reg_i通常设为相等，且比reg_all更常用（后者在源码中会覆盖前两者） - 学习率
lr_all需配合正则：正则越大，lr_all应越小（常见组合：reg_i=0.05, lr_all=0.005） - 务必用
cv.split()+cross_validate()评估，不能只看训练集 RMSE
手写 ALS 求解时，L2 正则项该加在哪儿？
ALS 每次固定一个变量更新另一个，正则项必须加在对应目标函数中。例如更新用户向量 U[i] 时，目标是最小化：∑_{j∈obs_i} (r_ij − U[i]·V[j]^T)² + λ·||U[i]||²；同理更新 V[j] 时加 λ·||V[j]||²。漏掉任一项都会让对应向量范数失控增长。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- λ 一般取 0.01–0.2，太小不起作用，太大导致欠拟合（预测值整体偏低）
- 矩阵初始化用
np.random.normal(0, 0.1, size=(n_users, n_factors))，而非全零——否则正则无法起效 - 每次迭代后建议检查
np.linalg.norm(U, axis=1).max()是否稳定，突增说明 λ 太小或步长太大
PyTorch 实现带 dropout 的 MF 时，正则和 dropout 能一起用吗？
能，但二者作用机制不同：L2 正则抑制参数绝对值，dropout 阻断特征组合。实际中 dropout 放在隐向量点积前（即 embedding 层输出后），而 L2 正则仍施加在 user_emb.weight 和 item_emb.weight 上。混用时需注意：dropout 率 >0.3 会让训练 loss 波动剧烈，此时 L2 的 λ 应比纯 L2 场景下调 30%~50%。
- PyTorch 默认
optimizer的weight_decay就是 L2 正则，但仅作用于带requires_grad=True的参数，需确认 embedding 层没被 exclude - 不要对 bias 加正则（MF 通常无 bias，如有，bias 不参与 L2）
- 验证阶段必须
model.eval()，否则 dropout 导致预测不稳定，RMSE 失真
正则化不是“加了就稳”，关键在匹配优化路径：SGD 需显式正则项，ALS 需嵌入目标函数，PyTorch 需协调 weight_decay 与 dropout 的强度平衡。最容易被忽略的是——缺失值不参与损失计算，这点一旦写错，正则再强也救不回发散的梯度。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
