Je voorspellingen valideren

Aanbevelingssystemen bouwen in Python

Rob O'Callaghan

Director of Data

Hold-outsets

Grote matrix

Hold-outsets

Grote matrix met laatste kolom gemarkeerd

Hold-outsets

Grote matrix met laatste kolom gemarkeerd naast ongemarkeerde matrix

Hold-outsets

Grote matrix met laatste kolom gemarkeerd naast matrix met onregelmatige markering

Hold-outsets

Grote matrix met onderste rijen gemarkeerd als hold-outset naast ongemarkeerde matrix

Hold-outsets

Grote matrix met onderste rijen gemarkeerd als hold-outset naast matrix met linksonder gemarkeerd

De hold-outset afscheiden

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

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

Genereer voorspellingen zoals eerder.

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

De hold-outset maskeren

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   ...]

Introductie van RMSE (root mean squared error)

Tabel met werkelijke versus voorspelde waarden

Introductie van RMSE (root mean squared error)

Tabel met werkelijke versus voorspelde waarden en hun verschil

Introductie van RMSE (root mean squared error)

Tabel met werkelijke versus voorspelde waarden, hun verschil en hun verschil in het kwadraat

Introductie van RMSE (root mean squared error)

Tabel met werkelijke versus voorspelde waarden, hun verschil, hun verschil in het kwadraat en de RMSE-formule

Introductie van RMSE (root mean squared error)

Tabel met werkelijke versus voorspelde waarden, hun verschil, hun verschil in het kwadraat en de RMSE-formule

Introductie van RMSE (root mean squared error)

Tabel met werkelijke versus voorspelde waarden, hun verschil, hun verschil in het kwadraat en de RMSE-formule

RMSE in Python

from sklearn.metrics import mean_squared_error

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

3.6223997

Laten we oefenen!

Aanbevelingssystemen bouwen in Python