Memvalidasi prediksi Anda

Membangun Recommendation Engine di Python

Rob O'Callaghan

Director of Data

Hold-out set

Matriks besar

Hold-out set

Matriks besar dengan kolom terakhir disorot

Hold-out set

Matriks besar dengan kolom terakhir disorot di sebelah matriks tanpa sorotan

Hold-out set

Matriks besar dengan kolom terakhir disorot di sebelah matriks dengan sorotan tidak beraturan

Hold-out set

Matriks besar dengan baris bawah disorot sebagai holdout di sebelah matriks tanpa sorotan

Hold-out set

Matriks besar dengan baris bawah disorot sebagai holdout di sebelah matriks dengan kiri bawah disorot

Memisahkan hold-out set

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

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

Hasilkan prediksi seperti sebelumnya.

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

Memasking hold-out set

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   ...]

Pengenalan RMSE (root mean squared error)

Tabel nilai aktual vs prediksi

Pengenalan RMSE (root mean squared error)

Tabel nilai aktual vs prediksi dan selisihnya

Pengenalan RMSE (root mean squared error)

Tabel nilai aktual vs prediksi, selisihnya, dan selisih kuadrat

Pengenalan RMSE (root mean squared error)

Tabel nilai aktual vs prediksi, selisihnya, selisih kuadrat, dan persamaan RMSE

Pengenalan RMSE (root mean squared error)

Tabel nilai aktual vs prediksi, selisihnya, selisih kuadrat, dan persamaan RMSE

Pengenalan RMSE (root mean squared error)

Tabel nilai aktual vs prediksi, selisihnya, selisih kuadrat, dan persamaan RMSE

RMSE di Python

from sklearn.metrics import mean_squared_error

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

3.6223997

Ayo berlatih!

Membangun Recommendation Engine di Python