Validera dina prediktioner

Bygga rekommendationsmotorer i Python

Rob O'Callaghan

Director of Data

Hold-out-mängder

Stor matris

Hold-out-mängder

Stor matris med sista kolumnen markerad

Hold-out-mängder

Stor matris med sista kolumnen markerad bredvid omarkerad matris

Hold-out-mängder

Stor matris med sista kolumnen markerad bredvid matris med oregelbunden markering

Hold-out-mängder

Stor matris med nedersta raderna markerade som hold-out-mängd bredvid omarkerad matris

Hold-out-mängder

Stor matris med nedersta raderna markerade som hold-out-mängd bredvid matris med nedre vänstra hörnet markerat

Separera hold-out-mängden

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

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

Generera prediktioner som tidigare.

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

Maskera hold-out-mängden

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   ...]

Introduktion till RMSE (rotmedelkvadratfel)

Tabell med faktiska och predikterade värden

Introduktion till RMSE (rotmedelkvadratfel)

Tabell med faktiska och predikterade värden samt deras differens

Introduktion till RMSE (rotmedelkvadratfel)

Tabell med faktiska och predikterade värden, deras differens och differensen i kvadrat

Introduktion till RMSE (rotmedelkvadratfel)

Tabell med faktiska och predikterade värden, deras differens, differensen i kvadrat och RMSE-ekvationen

Introduktion till RMSE (rotmedelkvadratfel)

Tabell med faktiska och predikterade värden, deras differens, differensen i kvadrat och RMSE-ekvationen

Introduktion till RMSE (rotmedelkvadratfel)

Tabell med faktiska och predikterade värden, deras differens, differensen i kvadrat och RMSE-ekvationen

RMSE i Python

from sklearn.metrics import mean_squared_error

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

3.6223997

Nu kör vi en övning!

Bygga rekommendationsmotorer i Python