本文摘要：

剖析：

MAP@10 = (0.38+0.17+0.26)/3 ≈ 0.27

3. 平均精度均值Mean Average Precision: MAP@n

例子3：我们一共推荐了10个链接用户实际上点击了我们推荐当中的第2个,第7个此外没有点击其他联系那么对于这个用户

2. 平均精度Average Precision: ap@n

例子4：我们一共推荐了5个链接用户实际上点击了我们推荐当中的第1个,第2个和第4个以及另外6个其他链接那么对于这个用户

好比说我们三个用户甲、乙、丙划分推荐了10个链接

ap@10=(1/2+2/3+3/5)/6≈0.29

甲点击了我们推荐当中的第1个和第4个链接以及另外两个其他的链接那么(ap@10)1=(1/1+2/4)/4≈0.38.

更多请参考：http://sofasofa.io/forum_main_post.php?postid=1000292

P(k) = c/k

例子2：我们一共推荐了10个链接用户实际上点击了我们推荐当中的第2个,第3个和第5个链接以及另外三个其他的链接那么对于这个用户

ap@10=(1/1+2/4)/4≈0.38

常用的评价尺度：

例子1：我们一共推荐了10个链接用户实际上点击了我们推荐当中的第1个和第4个链接以及另外两个其他的链接那么对于这个用户

MAP盘算的是N个用户的平均精度的均值。

剖析：

MAP@10 = (0.38+0.17+0.26)/3 ≈ 0.27

3. 平均精度均值Mean Average Precision: MAP@n

例子3：我们一共推荐了10个链接用户实际上点击了我们推荐当中的第2个,第7个此外没有点击其他联系那么对于这个用户

2. 平均精度Average Precision: ap@n

例子4：我们一共推荐了5个链接用户实际上点击了我们推荐当中的第1个,第2个和第4个以及另外6个其他链接那么对于这个用户

好比说我们三个用户甲、乙、丙划分推荐了10个链接

ap@10=(1/2+2/3+3/5)/6≈0.29

甲点击了我们推荐当中的第1个和第4个链接以及另外两个其他的链接那么(ap@10)1=(1/1+2/4)/4≈0.38.

更多请参考：http://sofasofa.io/forum_main_post.php?postid=1000292

P(k) = c/k

例子2：我们一共推荐了10个链接用户实际上点击了我们推荐当中的第2个,第3个和第5个链接以及另外三个其他的链接那么对于这个用户

ap@10=(1/1+2/4)/4≈0.38

常用的评价尺度：

例子1：我们一共推荐了10个链接用户实际上点击了我们推荐当中的第1个和第4个链接以及另外两个其他的链接那么对于这个用户

MAP盘算的是N个用户的平均精度的均值。

ap@5=(1/1+2/2+3/4)/5≈0.55

乙点击了我们推荐当中的第3个链接以及另外一个其他的链接那么(ap@10)2=(1/3)/2≈0.17.

第二类是线下评测。评测尺度许多我挑几个常用的。

我就拿给用户推荐阅读相关链接来举例好了。

这个N是用户数量。

n是被预测的链接的总数m是用户点击的链接的总数。

1. 精度Precision：P(k)

那么这个模型的平均精度均值

一类是线上的评测好比通过点击率、网站流量、A/B test等判断。

这类评价尺度在这里就不细说了因为它们并不能到场到线下训练模型和选择模型的历程当中。

我们给某个用户推荐了k个链接他／她点击了其中的c个链接那么精度就是c/k。

丙点击了我们推荐当中的第1个链接第7个链接以及另外三个其他的链接那么(ap@10)3=(1/1+2/7)/5≈0.26.

ap@10=(1/2+2/7)/2≈0.39

。

本文关键词：加拿大2.0官网

本文来源：加拿大2.0官网-www.03167.cn