协同过滤系统的评价标准

-这里总结了协同过滤协同需要验证的方式。

• 当我们利用机器学习方法来评价所计算的协同过滤推荐系统时，需要构建几类评估属性来比较构建模型的质量。这些评估属性大致可以分为２类:预测准确性和分类准确性。
  预测准确性:
  统计精度度量方法中的平均绝对误差( ＭＡＥ)被广泛用于评价协同过滤推荐系统的推荐质量。因此，推荐质量评价采用了常见的平均绝对误差 ＭＡＥ 在测试集上首先运用推荐系统预测出用户的评分，然后根据测试集中用户的实际评分，计算出 2 者的偏差，即为ＭＡＥ 的值。
  假设预测用户评分值为{ｐ１,ｐ２…，ｐｎ}对应的实际评分值为 { ｑ１，ｑ２, …，ｑｎ }，则 ＭＡＥ 的计算公式为
  
  类似的，均方根误差ＲＭＳＥ的计算公式为
  
  分类准确性:
  分类准确性主要测量推荐系统的质量性能， 常用的评估分类准确性的属性主要有:准确率和召回率， 准确率和召回率的计算公式分别为
  
  上式中Lr表示推荐给目标用户的项目列表；Lrev表示数据集中相关项目列表
  这 2 种评估属性必须有所取舍，例如：增加 Lr,Recall增加,Precision 就会减少, 因此,将2种属性结合在一起对推荐系统进行评估.此种方法称作F1值,其计算公式为: