EvaluatedAlgorithm.py

EvaluatedAlgorithm.py

EvaluatedAlgorithm.py

这个python文件是一个评估算法的文件。
用到的第三方库如下：
AlgoBase是surprise中的库，具体功能可以点击去官方文档了解。

from RecommendationMetrics import RecommendationMetrics
from surprise import AlgoBase

init函数

初始化函数，传入的参数为algorithm和name

def __init__(self,algorithm,name):
    self.algorithm=algorithm
    self.name=name

GetName函数

获取name的函数

def GetName(self):
    return self.name

GetAlgorithm函数

获取algorithm的函数

def GetAlgorithm(self):
    return self.algorithm

Evaluate函数

评估函数，将数据的准确率计算（MAE和RMSE），用留一法计算前十电影预测的命中率和ARHR，最后则是计算出多样性和新颖性。

def Evaluate(self,evaluationData, doTopN, n=10, verbose = True):
    metrics={}
    #计算MAE和RMSE
    if (verbose):
        print('评估准确率...')
        self.algorithm.fit(evaluationData.GetTrainSet())
        predictions = self.algorithm.test(evaluationData.GetTestSet())
        #这里的准确率就调用RecommendationMetrics中写好的函数计算
        metrics["MAE"] = RecommendationMetrics.MAE(predictions)
        metrics["RMSE"] = RecommendationMetrics.RMSE(predictions)
        
    if (doTopN):
        #如果doTopN存在，则用留一法再建立test去测试
        if (verbose):
            print("用留一法评估TopN...")
        self.algorithm.fit(evaluationData.GetLOOCVTrainSet())
        leftOutPredictions = self.algorithm.test(evaluationData.GetLOOCVTestSet())
        #给不在训练集中的用户测试
        allPredictions = self.algorithm.test(evaluationData.GetLOOCVAntiTestSet())
        #计算每个用户前十的记录
        topNPredicted = RecommendationMetrics.GetTopN(allPredictions,n)
        if (verbose):
            print("计算命中率的排名和指标的排名...")
        #检查我们建议用户实际评分的频率
        metrics["HR"] = RecommendationMetrics.HitRate(topNPredicted,leftOutPredictions)
        metrics["ARHR"] = RecommendationMetrics.AvergeReciprocalHitRank(topNPredicted,leftOutPredictions)
        if (verbose):
            print("分析多样性和新颖性")
        #计算多样性和新颖性
        metrics["Diversity"] = RecommendationMetrics.Diversity(topNPredicted,evaluationData.GetSimilarities())
        metrics["Novelty"] = RecommendationMetrics.Novelty(topNPredicted,evaluationData.GetPopularityRankings())
    if (verbose):
        print('分析完成!')
    
    return metrics

总结

这个python文件没啥复杂的地方，就是调用RecommendationMetrics.py这个文件里的函数，进行评估分析。