การตรวจสอบความถูกต้องของการพยากรณ์

การสร้าง Recommendation Engine ด้วย Python

Rob O'Callaghan

Director of Data

Hold-out sets

เมทริกซ์ขนาดใหญ่

Hold-out sets

เมทริกซ์ขนาดใหญ่ที่ไฮไลต์คอลัมน์สุดท้าย

Hold-out sets

เมทริกซ์ขนาดใหญ่ที่ไฮไลต์คอลัมน์สุดท้าย วางข้างเมทริกซ์ที่ไม่ได้ไฮไลต์

Hold-out sets

เมทริกซ์ขนาดใหญ่ที่ไฮไลต์คอลัมน์สุดท้าย วางข้างเมทริกซ์ที่ไฮไลต์แบบไม่สม่ำเสมอ

Hold-out sets

เมทริกซ์ขนาดใหญ่ที่ไฮไลต์แถวล่างเป็น holdout set วางข้างเมทริกซ์ที่ไม่ได้ไฮไลต์

Hold-out sets

เมทริกซ์ขนาดใหญ่ที่ไฮไลต์แถวล่างเป็น holdout set วางข้างเมทริกซ์ที่ไฮไลต์มุมล่างซ้าย

การแยก hold-out set

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

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

สร้างการพยากรณ์เหมือนเดิม

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

การ mask 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   ...]

แนะนำ RMSE (root mean squared error)

ตารางเปรียบเทียบค่าจริงกับค่าที่พยากรณ์

แนะนำ RMSE (root mean squared error)

ตารางเปรียบเทียบค่าจริงกับค่าที่พยากรณ์ และความแตกต่างระหว่างสองค่า

แนะนำ RMSE (root mean squared error)

ตารางเปรียบเทียบค่าจริงกับค่าที่พยากรณ์ ความแตกต่าง และค่ายกกำลังสอง

แนะนำ RMSE (root mean squared error)

ตารางเปรียบเทียบค่าจริงกับค่าที่พยากรณ์ ความแตกต่าง ค่ายกกำลังสอง และสมการ RMSE

แนะนำ RMSE (root mean squared error)

RMSE ใน Python

from sklearn.metrics import mean_squared_error

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

3.6223997

มาฝึกกันเถอะ!

การสร้าง Recommendation Engine ด้วย Python