推薦系統(tǒng)評(píng)測(cè)指標(biāo)2-預(yù)測(cè)準(zhǔn)確度

1 評(píng)分預(yù)測(cè)：預(yù)測(cè)用戶對(duì)物品的評(píng)分

RMSE均方根誤差=實(shí)際評(píng)分差的平方的平均數(shù)，再開(kāi)根號(hào)
MAE均方根誤差=實(shí)際評(píng)分差的平均數(shù)
RSME 加大了對(duì)預(yù)測(cè)不準(zhǔn)的用戶物品評(píng)分的懲罰，因而對(duì)系統(tǒng)的懲罰更加苛刻。

def RSME(records):
      allsum= sum(pow(real - predict,2) for real, predict in records) 
      avg = allsum / float(len(records))
      return math.sqrt(avg)   

def MAE(records):
      allsum = sum(abs(real - predict) for real, predict in records) 
      avg = allsum  / float(len(records))
      return math.sqrt(avg)

2 TopN 推薦的預(yù)測(cè)準(zhǔn)確率

網(wǎng)站在提供服務(wù)時(shí)，一般會(huì)給用戶一個(gè)個(gè)性化的推薦列表。
召回率： 準(zhǔn)確的有多少個(gè)被預(yù)測(cè)出來(lái)了
預(yù)測(cè)集中個(gè)數(shù)^實(shí)際集中個(gè)數(shù)/實(shí)際集中個(gè)數(shù)
準(zhǔn)確率： 預(yù)測(cè)中有多少個(gè)準(zhǔn)確的
預(yù)測(cè)集中個(gè)數(shù)^實(shí)際集中個(gè)數(shù)/預(yù)測(cè)集中個(gè)數(shù)

def recall(tests, N):
     for user,items in tests.items():
           topN = GetTopN(User,N)
           Hit += useritems & topN     # set 交集 累加 
           real_total  += items  # 實(shí)際集中數(shù)目累加
           predict_total += N  # 預(yù)測(cè)集中累加,每次預(yù)測(cè)N ，則每次加 N  
     recall =  hit/ real_total  
     precision =  hit / predict_total
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時(shí)請(qǐng)結(jié)合常識(shí)與多方信息審慎甄別。
平臺(tái)聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點(diǎn)，簡(jiǎn)書(shū)系信息發(fā)布平臺(tái)，僅提供信息存儲(chǔ)服務(wù)。

友情鏈接更多精彩內(nèi)容