하이브리드 시스템과 평가 지표
협업 필터링과 콘텐츠 기반 필터링의 결합, RMSE, MAE, Precision@K, Recall@K를 다룹니다.
하이브리드 시스템과 평가 지표은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 4번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.
하이브리드 시스템을 사용하는 이유
협업 필터링은 콜드 스타트에 어려움을 겪고 콘텐츠 기반 필터링은 지나치게 전문화됩니다. 하이브리드 시스템은 두 방법을 결합하여 각 방법의 약점을 서로 보완하므로, 일반적으로 어느 한 방법만 사용하는 것보다 성능이 좋습니다.
가중 결합
가장 간단한 하이브리드 방식은 합이 1이 되는 가중치로 점수를 결합하는 것입니다. 예를 들어 0.6 * CF + 0.4 * CB는 협업 신호에 더 크게 의존하면서도 콘텐츠 정보를 대체 수단이자 다양화 요소로 유지합니다.
final_score = 0.6 * cf_score + 0.4 * cb_score가중치 조정
0.6 / 0.4 분할은 시작점일 뿐입니다. 검증 세트에서 가중치를 조정하십시오. 사용자의 기록이 충분하면 CF 가중치를 높이고, 새 아이템에는 CB 가중치를 높이십시오. 사용자별로 가중치를 바꿀 수도 있습니다.
기타 하이브리드 전략
- 가중 결합: 점수를 결합합니다(위에서 설명한 방식).
- 전환: 데이터 가용성에 따라 CF 또는 CB를 선택합니다.
- 특성 결합: 두 신호를 하나의 모델에 입력합니다.
가중 결합은 가장 일반적이고 이해하기 쉬운 방법입니다.
평가: 두 가지 질문 유형
평가는 두 가지 질문으로 나뉩니다.
- 평점 예측: 예측 평점이 실제 평점에 얼마나 가까운가요? RMSE/MAE를 사용합니다.
- 순위 품질: 적절한 아이템이 상위에 표시되나요? Precision@K, Recall@K, NDCG@K를 사용합니다.
평점 예측을 위한 RMSE
RMSE는 예측한 평점과 실제 평점 사이의 평균 제곱 오차를 측정한 다음 그 제곱근을 구합니다. 큰 오차에 큰 페널티를 주며, 평점 정확도를 평가하는 표준 지표입니다.
import numpy as np
def rmse(pred, actual):
return np.sqrt(np.mean((np.array(pred) - np.array(actual)) ** 2))정밀도@K
정밀도@K = (상위 K개 항목 중 관련 항목 수) / K입니다. 다음 질문에 답하는 지표입니다. 추천한 K개 항목 중 사용자가 실제로 좋아한 항목은 몇 퍼센트인가요? 값이 높을수록 추천 목록의 슬롯을 낭비하는 일이 줄어듭니다.
def precision_at_k(recommended, relevant, k):
top_k = recommended[:k]
hits = len(set(top_k) & set(relevant))
return hits / k재현율@K
재현율@K = (상위 K개 항목 중 관련 항목 수) / (전체 관련 항목 수)입니다. 사용자가 좋아할 만한 모든 항목 중 상위 K개에 얼마나 많이 포함했는지를 보여 줍니다.
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 0.0정밀도와 재현율의 절충
정밀도는 보여 주는 항목이 얼마나 정확한지를 중시하고, 재현율은 관련된 항목을 얼마나 빠짐없이 포함하는지를 중시합니다. 추천 시스템에서는 사용자가 짧은 목록만 보기 때문에 보통 정밀도@K를 중시합니다. 상위 슬롯의 항목일수록 중요하기 때문입니다.
순위 품질을 위한 NDCG@K
NDCG@K(정규화 할인 누적 이득)는 관련성이 높은 항목을 상위에 배치할수록 높은 점수를 줍니다. 위치에 따라 이득이 할인되므로, 순위 1위의 관련 항목은 같은 항목이라도 순위 10위에 있을 때보다 더 높은 점수를 받습니다.
NDCG의 작동 원리
DCG는 각 항목의 관련도를 해당 항목의 순위에 대한 log로 나눈 값을 모두 더합니다. NDCG는 DCG를 이상적인 DCG(완벽하게 정렬된 순서)로 나눈 값이며, 완벽하게 순위가 매겨진 목록이 1이 되는 0~1 사이의 점수를 제공합니다.
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 0.0빠른 확인
평가 지표에 대한 지식을 확인해 보세요.
복습
하이브리드 추천 시스템(예: 0.6 * CF + 0.4 * CB)을 구축하고 평가 도구 모음을 배웠습니다. 평점 정확도에는 RMSE, 검색에는 정밀도@K와 재현율@K, 순위 품질에는 NDCG@K를 사용합니다. 이것으로 추천 시스템 과정을 마칩니다. 다음 과정: MLOps 기초.
AI 튜터와 함께 Python을(를) 배우세요 — 무료
브라우저에서 실제 코드를 작성하고 실행하며, 24/7 AI 튜터로부터 즉각적인 도움을 받고, 웹이나 앱에서 중단한 부분부터 계속 학습하세요.
- 코스
- 53
- 레슨
- 225
자주 묻는 질문
“하이브리드 시스템과 평가 지표” 강의는 무료인가요?
네 — “하이브리드 시스템과 평가 지표” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.
“하이브리드 시스템과 평가 지표”에서 뭘 배우나요?
협업 필터링과 콘텐츠 기반 필터링의 결합, RMSE, MAE, Precision@K, Recall@K를 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.
Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?
사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 4번째 강의입니다.
“하이브리드 시스템과 평가 지표” 강의는 얼마나 걸리나요?
대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.
이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?
네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.
이 강의의 모든 강의
- 협업 필터링: 사용자 기반과 항목 기반
- SVD를 활용한 행렬 인수분해
- 콘텐츠 기반 필터링
- 하이브리드 시스템과 평가 지표