奇异值分解（SVD）：矩阵分解-Python（惊奇lib）

Question

我正在使用用于推荐系统的Surprise库。 我想将数据拟合为SVD算法，但是gridsearch算法将n_factor设置为可能的最低值，以保持RMSE（均方根误差）较低。

例如：

param_grid = {n_factors:  [0, 10, 20, 30 , 40 ,50] ,'n_epochs': [10, 20, 30, 50, 60], 'lr_all': [0.008, 0.009, 0.01, 0.02]}

gs = surprise.model_selection.search.GridSearchCV(SVD, param_grid, measures=['rmse'], cv=3)

GridSearch算法可以在其他参数（例如n_epochs和lr_all）上正常工作，但不适用于n_factors。 我认为潜在特征（矩阵因子）越多越好，因为近似值变得越来越准确。我有什么问题吗？

谢谢。

使用SVD链接到库： （对于Python-https://surprise.readthedocs.io/en/stable/matrix_factorization.html#surprise.prediction_algorithms.matrix_factorization.SVD）