Sistem Hibrida dan Metrik Evaluasi
Menggabungkan pendekatan kolaboratif dan berbasis konten, RMSE, MAE, Precision@K, Recall@K.
Sistem Hibrida dan Metrik Evaluasi adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.
Mengapa Sistem Hibrida?
Penyaringan kolaboratif kesulitan menangani kondisi awal tanpa data, sedangkan penyaringan berbasis konten terlalu terspesialisasi. Sistem hibrida menggabungkan keduanya agar setiap metode menutupi kelemahan metode lainnya, biasanya menghasilkan kinerja yang lebih baik daripada salah satunya saja.
Kombinasi Berbobot
Sistem hibrida paling sederhana menggabungkan skor dengan bobot yang jumlahnya 1. Misalnya, 0.6 * CF + 0.4 * CB lebih mengandalkan sinyal kolaboratif, tetapi tetap menggunakan konten sebagai mekanisme cadangan dan untuk menambah keberagaman.
final_score = 0.6 * cf_score + 0.4 * cb_scoreMenyetel Bobot
Pembagian 0.6 / 0.4 hanyalah titik awal. Setel bobot pada kumpulan validasi: ketika pengguna memiliki riwayat interaksi yang kaya, naikkan bobot CF; untuk item baru, naikkan bobot CB. Anda bahkan dapat mengganti bobot untuk setiap pengguna.
Strategi Hibrida Lainnya
- Berbobot: menggabungkan skor seperti yang ditunjukkan di atas.
- Pengalihan: memilih CF atau CB bergantung pada ketersediaan data.
- Kombinasi fitur: memasukkan kedua sinyal ke dalam satu model.
Penggabungan berbobot adalah pendekatan yang paling umum dan paling mudah dipahami.
Evaluasi: Dua Jenis Pertanyaan
Evaluasi terbagi menjadi dua pertanyaan:
- Prediksi peringkat: seberapa dekat peringkat yang diprediksi? Gunakan RMSE/MAE.
- Kualitas pemeringkatan: apakah item yang tepat berada di posisi teratas? Gunakan Presisi@K, Perolehan@K, NDCG@K.
RMSE untuk Prediksi Penilaian
RMSE mengukur rata-rata kuadrat kesalahan antara penilaian yang diprediksi dan penilaian aktual, lalu mengambil akar kuadratnya. Metrik ini sangat menghukum kesalahan besar dan merupakan metrik standar untuk akurasi penilaian.
import numpy as np
def rmse(pred, actual):
return np.sqrt(np.mean((np.array(pred) - np.array(actual)) ** 2))Presisi@K
Presisi@K = (item relevan di K teratas) / K. Ini menjawab: dari K hal yang saya rekomendasikan, berapa bagian yang benar-benar disukai pengguna? Nilai yang lebih tinggi berarti lebih sedikit slot yang terbuang.
def precision_at_k(recommended, relevant, k):
top_k = recommended[:k]
hits = len(set(top_k) & set(relevant))
return hits / kCakupan@K
Cakupan@K = (item relevan di K teratas) / (total item relevan). Ini menjawab: dari semua hal yang akan disukai pengguna, berapa bagian yang berhasil saya tampilkan dalam K teratas?
def recall_at_k(recommended, relevant, k):
top_k = recommended[:k]
hits = len(set(top_k) & set(relevant))
return hits / len(relevant) if relevant else 0.0Kompromi antara Presisi dan Cakupan
Presisi mengutamakan ketepatan hal yang Anda tampilkan; cakupan mengutamakan terpenuhinya semua hal yang relevan. Sistem rekomendasi biasanya menekankan Presisi@K karena pengguna hanya melihat daftar pendek, sehingga slot teratas paling penting.
NDCG@K untuk Kualitas Peringkat
NDCG@K (Perolehan Kumulatif Terdiskonto yang Dinormalisasi) memberikan nilai lebih tinggi jika item yang sangat relevan ditempatkan dekat bagian teratas. Item relevan di peringkat 1 dihitung lebih besar daripada item yang sama di peringkat 10 karena perolehan didiskon berdasarkan posisi.
Cara Kerja NDCG
DCG menjumlahkan relevansi setiap item yang dibagi dengan log dari peringkatnya. NDCG membagi DCG dengan DCG ideal (urutan sempurna), sehingga menghasilkan skor 0–1, dengan 1 berarti daftar yang peringkatnya sempurna.
import numpy as np
def dcg(rels):
return sum(r / np.log2(i + 2) for i, r in enumerate(rels))
def ndcg_at_k(rels, k):
ideal = sorted(rels, reverse=True)
return dcg(rels[:k]) / dcg(ideal[:k]) if dcg(ideal[:k]) else 0.0Uji Singkat
Uji pengetahuan Anda tentang metrik evaluasi.
Rangkuman
Anda membangun sistem rekomendasi hibrida (misalnya 0.6 * CF + 0.4 * CB) dan mempelajari perangkat evaluasinya: RMSE untuk akurasi penilaian, Presisi@K dan Cakupan@K untuk pengambilan, serta NDCG@K untuk kualitas peringkat. Kursus Sistem Rekomendasi berakhir di sini. Kursus berikutnya: Dasar-Dasar MLOps.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Sistem Hibrida dan Metrik Evaluasi” gratis?
Ya — teks lengkap “Sistem Hibrida dan Metrik Evaluasi” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Sistem Hibrida dan Metrik Evaluasi”?
Menggabungkan pendekatan kolaboratif dan berbasis konten, RMSE, MAE, Precision@K, Recall@K. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Learn AI with Python?
Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.
Berapa lama pelajaran “Sistem Hibrida dan Metrik Evaluasi” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?
Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Penyaringan Kolaboratif: Berbasis Pengguna dan Berbasis Item
- Faktorisasi Matriks dengan SVD
- Penyaringan Berbasis Konten
- Sistem Hibrida dan Metrik Evaluasi