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

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的推荐列表中。

准确率和召回率计算方法的Python代码如下：

defRecall(train,test,N):

hit=0

all=0for user intrain.keys():

Tu=test[user]

rank=GetRecommendation(user,N)for item,pui inrank:if item inTu:

hit+=1all+=len(Tu)return hit/(all*1.0)defPrecision(train,test,N):

hit=0

all=0for user intrain.keys():

Tu=test[user]

rank=GetRecommendation(user,N)for item,pui inrank:if item inTu:

hit+=1all+=Nreturn hit/(all*1.0)

View Code

下面的Python代码同时计算出了一个推荐算法的准确率和召回率：

defPrecisionRecall(test, N):

hit=0

n_recall=0

n_precision=0for user, items intest.items():

rank=Recommend(user, N)

hit+= len(rank &items)

n_recall+=len(items)

n_precision+=Nreturn [hit / (1.0 * n_recall), hit / (1.0 * n_precision)]

View Code

有的时候，为了全面评测TopN推荐的准确率和召回率，一般会选取不同的推荐列表长度N，计算出一组准确率/召回率，然后画出准确率/召回率曲线(precision/recall curve)。

二、Mean average precision(MAP)&#x