Precisión media media (MAP). MAP es una métrica para puntuar la recuperación de documentos.
Entonces, ¿qué tenemos que saber para medir el rendimiento del sistema de recomendación?
- Como máximo, el sistema de recomendación debe recuperar un número n de elementos.
- Vale la pena recuperar todos los n elementos, no hay penalización por artículos malos.
- Vale la pena recuperar los elementos relevantes primero. El orden importa.
[matemática] AP = \ sum_ {i = 1} ^ {n} Precisión_i \ cdot \ Delta Recall_i, [/ matemática]
- ¿Qué piensan los expertos en sistemas de recomendación sobre el documento 'Estimación del impacto causal de los sistemas de recomendación a partir de datos de observación'?
- ¿Quién ha explorado las aplicaciones del modelo Word2vec en datos que no sean lenguajes naturales?
- ¿Dónde puedo encontrar datos de rastreo GPS del mundo real?
- ¿Cuáles son los principales enfoques de la inteligencia artificial?
- ¿Cuál sería su guía para un hombre de 46 años que conoce la programación primaria y está interesado en obtener un conocimiento práctico del aprendizaje automático?
dónde
[matemática] Precisión_i – [/ matemática] es un porcentaje de elementos correctos entre las primeras recomendaciones i .
[math] \ Delta Recall_i [/ math] es igual a [math] \ frac {1} {n} [/ math] si el ítem es correcto y 0 en caso contrario.
Si todos los elementos recuperados son correctos, [matemática] Precisión_i [/ matemática] igual a 1 y [matemática] Recuperación_i [/ matemática] es igual a [matemática] \ frac {1} {n} [/ matemática] para cada i , como resultado AP es 1. [matemática] [/ matemática] Si ninguno de los elementos es correcto, entonces AP es igual a 0. Los elementos correctos al principio obtienen más peso. La media en MAP significa que en caso de que se realicen varias consultas al sistema de recomendación, MAP se calcula como un promedio de los AP.
Enlaces :
- Lo que quería saber sobre la precisión media promedio