Algorithm 关于推荐系统的准确性

嗨，我是这个领域的新手。我对推荐算法中的精确性方法感到困惑。据我所知，用户项目的评分矩阵是稀疏的。我知道我可以使用一些算法来预测缺失值和模型，比如RMSE或MAE，但是如何计算精度呢

对于一些项目，我不知道它们的真实评分。如果我使用0，它会增加错误，不是吗

---

谢谢你的帮助

您只能检查您拥有数据的项目用户的准确性。最好在不属于培训的验证集数据上测试准确性。 然后，如果这是一个回归问题，您可以使用RMSE检查您的准确性；如果这是一个分类问题，您可以使用AUC、log_损失、混淆矩阵等检查您的准确性。

---

因此，您只需计算数据集中标记项的平均误差。

与其他机器学习模型相比，实际上很难衡量推荐系统的准确性，因为我们没有明确的方法来判断推荐是否准确。但是有一种方法可以计算准确度

您将拥有

users*项目

矩阵，您将在该矩阵上培训您的推荐系统

如果您假设您有

10个
用户和
20个
项目

您的矩阵的维数为
10*20


你能做的就是将矩阵分为训练和测试
数据集

例如，可以从
10*20
矩阵的右下角切割
4*4
子矩阵。在剩余矩阵上训练推荐系统，然后根据
4*4
cut对其进行测试。
您将获得预期的输出和系统的输出。使用它们，您可以轻松计算
精度
，
召回率
，以及
F1分数

您应该从矩阵的各个部分切割不同维度的子矩阵，然后计算分数，以了解您的系统整体性能。
因为在实际数据集中，我们有很多缺失值（有时甚至90%），为了更好地进行预测，我们通常用NA替换缺失值。然后我们将NA替换为用户评分或项目评分的平均值，甚至是两者的平均值。如果将缺少的值替换为0，则低估了影响结果的数据。
例如，如果我们将矩阵命名为ds：

#compute the user means
user.mean = matrix (rowMeans (ds, na.rm = T), nrow(ds) ,ncol(ds))
# replace the missing values (NA) with the user means
ds[is.na(ds)] = user.mean[is.na(ds)]

您好，计算错误时是否应跳过缺失值？是。应在由无缺失值的样本组成的验证集上计算错误。