推荐系统中准确率和召回率的理解

最新推荐文章于 2024-03-04 22:51:32 发布
最新推荐文章于 2024-03-04 22:51:32 发布
阅读量1.7w 收藏 30
点赞数 4
分类专栏： 推荐系统 文章标签： 准确率 召回率
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013599298/article/details/60592095
版权

        最近读到推荐系统中的TopN推荐，它的预测准确率一般是通过准确率和召回率来进行评估的，那么我们就要理解，什么是准确率，什么是召回率！

准确率，顾名思义，就是准确程度。通过正确数/总数得到。而正确数是什么，总数是什么呢？

召回率，我们可以理解为找到的数目与总的需要我们找到的数目的比，那在推荐系统中，什么是找到的数目，什么是需要我们总的找到的数目呢？


令R(u)表示在根据训练数据给用户做出的推荐列表，T(u)表示用户根据测试数据给用户做出的推荐列表，则

召回率：



准确率：

                          


精确率是针对我们 预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。
而 召回率是针对我们 原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。

其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数。但分子都是表示预测的正样本与原来正样本的交集。



在信息检索领域，精确率和召回率又被称为查准率和查全率，

查准率＝检索出的相关信息量 / 检索出的信息总量
查全率＝检索出的相关信息量 / 系统中的相关信息总量


                                                 

猫猫被注册了
关注
  • 4
    点赞
  • 踩
  • 30
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
颜色分类leetcode-dsc-3-29-08-roc-curves-and-auc-nyc-career-ds-102218:dsc-3-
07-06
颜色分类leetcode ROC 曲线和 AUC 介绍 本课将介绍 ROC：接收者操作特征曲线和 AUC：曲线下面积。 到目前为止，我们的一些准确度得分可能看起来非常令人印象深刻； 第一次尝试时，80% 的准确率似乎非常好！ 我们必须记住的是，在预测二元分类时，我们有时肯定是对的，即使只是随机猜测。 例如，在猜测硬币是否正面朝上时，我应该有大约 50% 的准确率。 这也可能导致在调整模型时出现问题。 如果您有一个包含罕见事件（例如疾病或中奖）的倾斜数据集，其中 1000 中只有 2 个阳性病例，那么即使是将所有内容都归类为“非会员”的微不足道的算法也将达到 99.8% 的准确率（1000 次中有 998 次是正确的）。 因此请记住，必须将 80% 的准确率考虑到更大的上下文中。 AUC 是我们之前检查过的混淆矩阵的替代综合度量，ROC 图使我们能够确定特定于我们正在寻求解决的特定问题的最佳精度 - 召回权衡平衡。 目标 你将能够： 使用各种指标评估分类模型 定义和理解 ROC 和 AUC ROC曲线 Receiver Operater Characteristic 曲线（ROC 曲线）
python文本分类评价指标 top1如何计算_推荐系统排序（Ranking）评价指标
weixin_39962199的博客
12-18 1313
一、准确率(Precision)和召回率(Recall)(令R(u)是根据用户在训练集上的行为给用户作出的推荐列表，而T(u)是用户在测试集上的行为列表。)对用户u推荐N个物品(记为R(u))，令用户u在测试集上喜欢的物品集合为T(u)，然后可以通过准确率/召回率评测推荐算法的精度：准确率描述最终的推荐列表中有多少比例是发生过的用户—物品评分记录；召回率描述有多少比例的用户—物品评分记录包含在最终...
推荐系统实践 0x03 评测指标
卢之
11-23 153
评测指标 评测指标可以评测推荐系统各个方面的性能，有些是可以定量计算的，而有些只能定性描述。有些可以通过离线实验计算，有些需要通过用户调查获得，还有些只能在线评测。接下来我们将对各个评测指标进行介绍。 用户满意度 用户满意度无法进行离线计算，只能通过用户调查以及在线实验获得。如果是在线实验当中，可以通过用户购买推荐商品的购买率对用户满意度进行度量。或者使用“满意”、“不满意”的按钮进行反馈。一般...
机器学习中，召回率是什么概念？
余璜的技术博客
03-04 1804
在多分类问题中，计算召回率通常需要把每个类别都当作是“正类”，而所有其他类别都是“负类”，然后分别对每个类别计算召回率。最后，你可能会对所有类别的召回率取平均，得到一个总的召回率指标，这在多分类问题中被称为宏平均召回率（Macro-Averaged Recall）。准确率是指在所有被模型识别为正类的样本中，正确识别的比例。例如，计算“2”的召回率就是在所有实际标记为数字“2”的样本中，有多少被模型正确地识别为“2”。对于“猫”这个类别，召回率将是在所有真实为“猫”的图片中，有多少被模型正确识别为“猫”。
颜色分类leetcode-dsc-3-29-08-roc-curves-and-auc-seattle-ds-career-040119:ds
07-06
颜色分类leetcode ROC 曲线和 AUC 介绍 本课将介绍 ROC：接收者操作特征曲线和 AUC：曲线下面积。 到目前为止，我们的一些准确度得分可能看起来非常令人印象深刻； 第一次尝试时，80% 的准确率似乎非常好！ 我们必须记住的是，在预测二元分类时，我们有时肯定是对的，即使只是随机猜测。 例如，在猜测硬币是否正面朝上时，我应该有大约 50% 的准确率。 这也可能导致在调整模型时出现问题。 如果您有一个包含罕见事件（例如疾病或中奖）的倾斜数据集，其中 1000 中只有 2 个阳性病例，那么即使是将所有内容都归类为“非会员”的微不足道的算法也将达到 99.8% 的准确率（1000 次中有 998 次是正确的）。 因此请记住，必须将 80% 的准确率考虑到更大的上下文中。 AUC 是我们之前检查过的混淆矩阵的替代综合度量，ROC 图使我们能够确定特定于我们正在寻求解决的特定问题的最佳精度 - 召回权衡平衡。 目标 你将能够： 使用各种指标评估分类模型 定义和理解 ROC 和 AUC ROC曲线 Receiver Operater Characteristic 曲线（ROC 曲线）
颜色分类leetcode-dsc-3-29-08-roc-curves-and-auc-nyc-ds-career-031119:dsc-3-
07-06
颜色分类leetcode ROC 曲线和 AUC 介绍 本课将介绍 ROC：接收者操作特征曲线和 AUC：曲线下面积。 到目前为止，我们的一些准确度得分可能看起来非常令人印象深刻； 第一次尝试时，80% 的准确率似乎非常好！ 我们必须记住的是，在预测二元分类时，我们有时肯定是对的，即使只是随机猜测。 例如，在猜测硬币是否正面朝上时，我应该有大约 50% 的准确率。 这也可能导致在调整模型时出现问题。 如果您有一个包含罕见事件（例如疾病或中奖）的倾斜数据集，其中 1000 中只有 2 个阳性病例，那么即使是将所有内容都归类为“非会员”的微不足道的算法也将达到 99.8% 的准确率（1000 次中有 998 次是正确的）。 因此请记住，必须将 80% 的准确率考虑到更大的上下文中。 AUC 是我们之前检查过的混淆矩阵的替代综合度量，ROC 图使我们能够确定特定于我们正在寻求解决的特定问题的最佳精度 - 召回权衡平衡。 目标 你将能够： 使用各种指标评估分类模型 定义和理解 ROC 和 AUC ROC曲线 Receiver Operater Characteristic 曲线（ROC 曲线）
推荐系统评测标准TOPN之precision与recall
Liu-Cheng Xu
06-17 8961
1.关于推荐系统topN的评估指标：precision(精确率)和recall(召回率) 关于准确率应该比较容易理解。但是召回率可能有点绕。下面是我觉得比较容易理解的解释： 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相
推荐系统中评估指标的精准率，准确率，召回率，P-R曲线，ROC曲线，AUC曲线
data_curd的博客
02-20 857
准确率：指分类正确的总样本个数的比例 精准率：指分类正确的正样本个数占分类器判定为正样本的样本个数的比例 召回率：分类正确的正样本个数占真正的正样本个数的比例 为了综合评估一个排序模型的好坏，不仅要看模型在不同TopN下的精准率和召回率，而且最好的绘制出模型的P-R曲线。 P-R曲线的横轴为召回率，纵轴为精准率。 在用P-R曲线评估模型时，只用某个点对应的精准率和召回率时不能全面的衡量模型的性能，只有通过P-R曲线的整体表现，才能够对模型进行更为全面的评估 均方根误差： 一般情况下，RMES能够很好的反映
推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)
u013488563的专栏
07-18 1595
下面简单列举几种常用的推荐系统评测指标：1、准确率与召回率（Precision & Recall）准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。一般来说，Precision就是检索出来的条目（比如：文
分类模型评估指标——准确率、精准率、召回率、F1、ROC曲线、AUC曲线
ZJQ的博客
08-27 2739
机器学习模型需要有量化的评估指标来评估哪些模型的效果更好。本文将用通俗易懂的方式讲解分类问题的混淆矩阵和各种评估指标的计算公式。将要给大家介绍的评估指标有：准确率、精准率、召回率、F1、ROC曲线、AUC曲线。
[开发技巧]·TopN指标计算方法
简明AI工作室
05-13 1690
[开发技巧]·TopN指标计算方法 1.概念介绍 在图片分类的中经常可以看到Top-1，Top-5等TopN准确率（或者时错误率）。 那这个TopN是什么意思呢？首先Top-1准确率最好理解，就是我们用argmax从网络输出取到的预测index与真实index的准确率。 Top-5准确率就是指从网络输出取到的预测概率最大5个index与真实的index进行比对，5个之中任意一个比对成功...
颜色分类leetcode-dsc-3-29-08-roc-curves-and-auc-nyc-ds-career-012819:dsc-3-
07-06
颜色分类leetcode ROC 曲线和 AUC 介绍 本课将介绍 ROC：接收者操作特征曲线和 AUC：曲线下面积。 到目前为止，我们的一些准确度得分可能看起来非常令人印象深刻； 第一次尝试时，80% 的准确率似乎非常好！ 我们必须记住的是，在预测二元分类时，我们有时肯定是对的，即使只是随机猜测。 例如，在猜测硬币是否正面朝上时，我应该有大约 50% 的准确率。 这也可能导致在调整模型时出现问题。 如果您有一个包含罕见事件（例如疾病或中奖）的倾斜数据集，其中 1000 中只有 2 个阳性病例，那么即使是将所有内容都归类为“非会员”的微不足道的算法也将达到 99.8% 的准确率（1000 次中有 998 次是正确的）。 因此请记住，必须将 80% 的准确率考虑到更大的上下文中。 AUC 是我们之前检查过的混淆矩阵的替代综合度量，ROC 图使我们能够确定特定于我们正在寻求解决的特定问题的最佳精度 - 召回权衡平衡。 目标 你将能够： 使用各种指标评估分类模型 定义和理解 ROC 和 AUC ROC曲线 Receiver Operater Characteristic 曲线（ROC 曲线）
python:目标检测模型预测准确度计算方式(基于IoU)
12-23
训练完目标检测模型之后，需要评价其性能，在不同的阈值下的准确度是多少，有没有漏检，在这里基于IoU(Intersection over Union)来计算。 希望能提供一些思路，如果觉得有用欢迎赞我表扬我~ IoU的值可以理解为系统预测出来的框与原来图片中标记的框的重合程度。系统预测出来的框是利用目标检测模型对测试数据集进行识别得到的。 计算方法即检测结果DetectionResult与GroundTruth的交集比上它们的并集，如下图： 蓝色的框是：GroundTruth 黄色的框是：DetectionResult 绿色的框是：DetectionResult ⋂GroundTruth 红色
python项目基于机器学习的文本情感系统.zip
04-17
4. **模型评估与优化**：通过交叉验证和其他评估指标（如准确率、召回率和F1分数）来测试模型性能，并根据结果调整模型参数。 5. **实时情感分析**：提供实时文本情感分析的功能，允许用户输入文本并获得即时的情感...
node-v16.12.0-darwin-x64.tar.xz
最新发布
04-23
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
试用Dev Containers的示例项目-Go
04-23
计算机技术是指评价计算机系统的各种知识和技能的总称。它涵盖了计算机硬件、软件、网络和信息安全等方面。计算机技术的发展使我们能够进行高效的数据处理、信息存储和传输。现代计算机技术包括操作系统、数据库管理、编程语言、算法设计等。同时，人工智能、云计算和大数据等新兴技术也在不断推动计算机技术的进步。计算机技术的应用广泛，涵盖了各个领域，如商业、医疗、教育和娱乐等。随着计算机技术的不断革新，我们可以更加高效地实现预期自动化、标准化
NTsky新闻发布v1.0测试版(提供JavaBean).zip
04-23
### 内容概要： 《NTsky新闻发布v1.0测试版》是一款基于 Java 开发的新闻发布系统的测试版本，旨在为新闻机构和媒体提供一个简单易用的新闻发布平台。该系统具有基本的新闻发布和管理功能，包括新闻分类、新闻编辑、新闻发布等核心功能。此外，该版本还提供了 JavaBean，使开发人员能够方便地将系统集成到自己的项目中，快速实现新闻发布的功能。 ### 适用人群： 本测试版本适用于新闻机构、媒体从业者以及Java开发人员。如果你是一家新闻机构或媒体，希望拥有一个简单易用的新闻发布平台，方便快捷地发布和管理新闻，那么这个测试版本将为你提供一个初步的体验。同时，如果你是一名Java开发人员，希望学习和掌握新闻发布系统的开发技术，并且对新闻行业有一定的了解，那么通过这个测试版本，你可以获取到一些JavaBean，并且可以参考系统的设计和实现，为你的项目开发提供参考和借鉴。无论是从业务需求还是技术学习的角度，该测试版本都将为你提供一定的帮助和支持。
JavaScript介绍.zip
04-23
javascript，JavaScript 最初由 Netscape 公司的 Brendan Eich 在 1995 年开发，用于 Netscape Navigator 浏览器。随着时间的推移，JavaScript 成为了网页开发中不可或缺的一部分，并且其应用范围已经远远超出了浏览器，成为了全栈开发的重要工具。
15-21.php
04-23
15-21.php
精准率和召回率怎么计算
09-17
在机器学习和信息检索中，精准率和召回率是用来衡量分类器或检索系统的性能的常用指标。 精准率（Precision）表示的是模型预测为正的样本中实际也是正的样本占比，也就是： Precision = 真正例 / （真正例 + 假正例） 召回率（Recall）表示的是所有正的样本中，被模型预测为正的样本占比，也就是： Recall = 真正例 / （真正例 + 假反例） 通常，我们希望精准率和召回率尽可能的高，但是在实际应用中，两者往往是有一定矛盾的，因此我们可以根据实际需要来选择合适的模型。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值