Convalidare le tue previsioni

Creare motori di raccomandazione in Python

Rob O'Callaghan

Director of Data

Set di holdout

Grande matrice

Set di holdout

Grande matrice con l'ultima colonna evidenziata

Set di holdout

Grande matrice con l'ultima colonna evidenziata accanto a matrice non evidenziata

Set di holdout

Grande matrice con l'ultima colonna evidenziata accanto a matrice con evidenziazione irregolare

Set di holdout

Grande matrice con le righe in basso evidenziate come set di holdout accanto a matrice non evidenziata

Set di holdout

Grande matrice con le righe in basso evidenziate come holdout accanto a matrice con l'angolo in basso a sinistra evidenziato

Separare il set di holdout

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

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

Genera le previsioni come prima.

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

Mascherare il set di holdout

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   ...]

Introduzione all’RMSE (root mean squared error)

Tabella di valori reali vs previsti

Introduzione all’RMSE (root mean squared error)

Tabella di valori reali vs previsti e loro differenza

Introduzione all’RMSE (root mean squared error)

Tabella di valori reali vs previsti, loro differenza e differenza al quadrato

Introduzione all’RMSE (root mean squared error)

Tabella di valori reali vs previsti, loro differenza, differenza al quadrato e formula dell'RMSE

Introduzione all’RMSE (root mean squared error)

Tabella di valori reali vs previsti, loro differenza, differenza al quadrato e formula dell'RMSE

Introduzione all’RMSE (root mean squared error)

Tabella di valori reali vs previsti, loro differenza, differenza al quadrato e formula dell'RMSE

RMSE in Python

from sklearn.metrics import mean_squared_error

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

3.6223997

Passiamo alla pratica !

Creare motori di raccomandazione in Python