Valider vos prédictions

Créer des moteurs de recommandation en Python

Rob O'Callaghan

Director of Data

Jeux de validation (hold-out)

Grande matrice

Jeux de validation (hold-out)

Grande matrice avec la dernière colonne en surbrillance

Jeux de validation (hold-out)

Grande matrice avec la dernière colonne en surbrillance à côté d'une matrice sans surbrillance

Jeux de validation (hold-out)

Grande matrice avec la dernière colonne en surbrillance à côté d'une matrice avec surbrillance irrégulière

Jeux de validation (hold-out)

Grande matrice avec les lignes du bas en surbrillance comme jeu de validation, à côté d'une matrice sans surbrillance

Jeux de validation (hold-out)

Grande matrice avec les lignes du bas en surbrillance comme jeu de validation, à côté d'une matrice avec le coin inférieur gauche en surbrillance

Séparer le jeu de validation

actual_values = act_ratings_df.iloc[:20, :100].values

act_ratings_df.iloc[:20, :100] = np.nan

Générez les prédictions comme précédemment.

predicted_values = calc_pred_ratings_df.iloc[:20, :100].values

Masquer le jeu de validation

mask = ~np.isnan(actual_values)

print(actual_values[mask])

[4.  4.  5.  3.  3.  ...]

print(predicted_values[mask])

[3.76, 4.35,  4.95,  3.5869079 3.686337   ...]

Présentation de la RMSE (root mean squared error)

Tableau des valeurs réelles et prédites

Présentation de la RMSE (root mean squared error)

Tableau des valeurs réelles et prédites et de leur différence

Présentation de la RMSE (root mean squared error)

Tableau des valeurs réelles et prédites, de leur différence et de leur carré

Présentation de la RMSE (root mean squared error)

Tableau des valeurs réelles et prédites, de leur différence, de leur carré et de l'équation de la RMSE

Présentation de la RMSE (root mean squared error)

Tableau des valeurs réelles et prédites, de leur différence, de leur carré et de l'équation de la RMSE

Présentation de la RMSE (root mean squared error)

Tableau des valeurs réelles et prédites, de leur différence, de leur carré et de l'équation de la RMSE

RMSE en Python

from sklearn.metrics import mean_squared_error

print(mean_squared_error(actual_values[mask],
                         predicted_values[mask],
                         squared=False))

3.6223997

Passons à la pratique !

Créer des moteurs de recommandation en Python