在Surprise中从预定义折加载数据时如何构建完整训练集？

我刚遇到过类似的情况，当用PredefinedKFold加载预拆分数据时，得到的DatasetUserFolds对象确实没有build_full_trainset()方法——因为它本质是多个训练/测试折的集合，不是单一的数据集。下面给你两种可行的解决方案，都能帮你构建完整训练集并计算预测覆盖率：

方法1：在Surprise框架内合并所有训练折 #

你可以手动遍历预定义的所有训练折，把它们的原始数据合并成一个完整数据集，再重新构建Surprise可用的数据集对象：

# 加载预拆分数据（复用你原有的load_splits函数）
data = load_splits()
pkf = PredefinedKFold()

# 收集所有训练折的原始评分数据
all_train_ratings = []
for trainset, _ in pkf.split(data):
    # 遍历当前训练折的所有评分，转换为原始用户ID、物品ID、评分的三元组
    for inner_uid, inner_iid, rating in trainset.all_ratings():
        raw_uid = trainset.to_raw_uid(inner_uid)
        raw_iid = trainset.to_raw_iid(inner_iid)
        all_train_ratings.append((raw_uid, raw_iid, rating))

# 转换为DataFrame，重新构建Surprise数据集
full_train_df = pd.DataFrame(all_train_ratings, columns=["user", "item", "rating"])
reader = Reader(line_format='user item rating', sep=' ', rating_scale=(1, 5))
full_dataset = Dataset.load_from_df(full_train_df[["user", "item", "rating"]], reader)

# 现在可以正常构建完整训练集了
full_trainset = full_dataset.build_full_trainset()

接下来用这个完整训练集训练模型，再遍历所有用户-物品组合计算覆盖率：

# 用GridSearch得到的最佳模型训练
algo = gs.best_estimator['rmse']
algo.fit(full_trainset)

# 获取所有用户和物品的原始ID
all_raw_users = [full_trainset.to_raw_uid(uid) for uid in full_trainset.all_users()]
all_raw_items = [full_trainset.to_raw_iid(iid) for iid in full_trainset.all_items()]

# 统计无法预测的组合数，计算覆盖率
unpredictable = 0
total_combinations = len(all_raw_users) * len(all_raw_items)

for uid in all_raw_users:
    for iid in all_raw_items:
        try:
            # 执行预测，这里可以把结果保存到列表或文件中
            _ = algo.predict(uid, iid)
        except Exception:
            unpredictable += 1

coverage = (total_combinations - unpredictable) / total_combinations
print(f"预测覆盖率: {coverage:.4f}")

方法2：直接合并原始拆分文件（更高效） #

如果你的预拆分训练文件（u1.base到u5.base）是独立存储的，你可以直接在文件层面合并所有训练数据，再加载成完整数据集：

import os

files_dir = 'data/recommenders/splits/'
full_train_file = os.path.join(files_dir, 'u_full.base')

# 合并所有base训练文件
with open(full_train_file, 'w') as out_f:
    for fold_num in range(1, 6):
        fold_file = os.path.join(files_dir, f'u{fold_num}.base')
        with open(fold_file, 'r') as in_f:
            out_f.write(in_f.read())

# 加载合并后的完整数据集
reader = Reader(line_format='user item rating', sep=' ', skip_lines=0, rating_scale=(1,5))
full_dataset = Dataset.load_from_file(full_train_file, reader=reader)
full_trainset = full_dataset.build_full_trainset()

这种方法不需要处理Surprise内部的编码转换，更适合你已经有独立拆分文件的场景，代码更简洁高效。

为什么原方法会报错？ #

当你用Dataset.load_from_folds()加载预拆分数据时，返回的DatasetUserFolds是一个包含多组(train, test)对的集合，它的设计目标是用于交叉验证流程，而非作为单一数据集使用，因此没有提供build_full_trainset()方法。上面两种方法都是把分散的训练数据重新合并为单一数据集，自然就能正常调用该方法了。

内容的提问来源于stack exchange，提问作者user2529589