验证你的预测

用 Python 构建推荐引擎

Rob O'Callaghan

Director of Data

留出集

大型矩阵

用 Python 构建推荐引擎

留出集

大型矩阵，最后一列高亮

用 Python 构建推荐引擎

留出集

大型矩阵，最后一列高亮，旁边为未高亮矩阵

用 Python 构建推荐引擎

留出集

大型矩阵，最后一列高亮，旁边为不规则高亮的矩阵

用 Python 构建推荐引擎

留出集

大型矩阵，底部行高亮为留出集，旁边为未高亮矩阵

用 Python 构建推荐引擎

留出集

大型矩阵，底部行高亮为留出集，旁边矩阵左下角高亮

用 Python 构建推荐引擎

分离留出集

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

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

像之前一样生成预测。

predicted_values = calc_pred_ratings_df.iloc[:20, :100].values
用 Python 构建推荐引擎

为留出集创建掩码

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   ...]
用 Python 构建推荐引擎

RMSE（均方根误差）简介

实际值与预测值对照表

用 Python 构建推荐引擎

RMSE（均方根误差）简介

实际值与预测值及其差值的表格

用 Python 构建推荐引擎

RMSE（均方根误差）简介

实际值与预测值、差值及其平方的表格

用 Python 构建推荐引擎

RMSE（均方根误差）简介

实际值与预测值、差值、差值平方及RMSE公式的表格

用 Python 构建推荐引擎

RMSE（均方根误差）简介

实际值与预测值、差值、差值平方及RMSE公式的表格

用 Python 构建推荐引擎

RMSE（均方根误差）简介

实际值与预测值、差值、差值平方及RMSE公式的表格

用 Python 构建推荐引擎

Python 中的 RMSE

from sklearn.metrics import mean_squared_error

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

3.6223997
用 Python 构建推荐引擎

Passons à la pratique !

用 Python 构建推荐引擎

Preparing Video For Download...