驗證你的預測

用 Python 建立推薦引擎

Rob O'Callaghan

Director of Data

保留集（Hold-out set）

大型矩陣

用 Python 建立推薦引擎

保留集（Hold-out set）

大型矩陣，最後一欄高亮

用 Python 建立推薦引擎

保留集（Hold-out set）

左圖為最後一欄高亮的矩陣，右圖為未高亮的矩陣

用 Python 建立推薦引擎

保留集（Hold-out set）

左圖為最後一欄高亮的矩陣，右圖為不規則高亮的矩陣

用 Python 建立推薦引擎

保留集（Hold-out set）

左圖為底部數列作為保留集高亮的矩陣，右圖為未高亮的矩陣

用 Python 建立推薦引擎

保留集（Hold-out set）

左圖為底部數列作為保留集高亮的矩陣，右圖為左下角高亮的矩陣

用 Python 建立推薦引擎

分離保留集

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

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

如前產生預測。

predicted_values = calc_pred_ratings_df.iloc[:20, :100].values
用 Python 建立推薦引擎

遮罩保留集

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 建立推薦引擎

介紹 RMSE（均方根誤差）

實際值與預測值的表格

用 Python 建立推薦引擎

介紹 RMSE（均方根誤差）

實際值、預測值與其差異的表格

用 Python 建立推薦引擎

介紹 RMSE（均方根誤差）

實際值、預測值、差異與差異平方的表格

用 Python 建立推薦引擎

介紹 RMSE（均方根誤差）

實際值、預測值、差異、差異平方與 RMSE 公式的表格

用 Python 建立推薦引擎

介紹 RMSE（均方根誤差）

實際值、預測值、差異、差異平方與 RMSE 公式的表格

用 Python 建立推薦引擎

介紹 RMSE（均方根誤差）

實際值、預測值、差異、差異平方與 RMSE 公式的表格

用 Python 建立推薦引擎

在 Python 中計算 RMSE

from sklearn.metrics import mean_squared_error

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

3.6223997
用 Python 建立推薦引擎

一起來練習吧！

用 Python 建立推薦引擎

Preparing Video For Download...