Sistem Hibrid dan Metrik Penilaian
Menggabungkan kaedah kolaboratif + berasaskan kandungan, RMSE, MAE, Precision@K, Recall@K.
Sistem Hibrid dan Metrik Penilaian ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 4 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.
Mengapa Sistem Hibrid?
Penapisan kolaboratif menghadapi masalah permulaan dingin, manakala penapisan berasaskan kandungan terlalu khusus. Sistem hibrid menggabungkan kedua-duanya supaya setiap kaedah menampung kelemahan kaedah yang lain dan biasanya mengatasi kedua-duanya secara berasingan.
Gabungan Berwajaran
Sistem hibrid yang paling ringkas menggabungkan skor menggunakan pemberat yang jumlahnya 1. Contohnya, 0.6 * CF + 0.4 * CB lebih bergantung pada isyarat kolaboratif, tetapi masih menggunakan kandungan sebagai sandaran dan untuk mempelbagaikan hasil.
final_score = 0.6 * cf_score + 0.4 * cb_scoreMelaras Pemberat
Pembahagian 0.6 / 0.4 ialah titik permulaan. Laraskan pemberat pada set pengesahan: apabila pengguna mempunyai sejarah yang banyak, tingkatkan pemberat CF; untuk item baharu, tingkatkan pemberat CB. Anda juga boleh menukar pemberat mengikut pengguna.
Strategi Hibrid Lain
- Berwajaran: gabungkan skor seperti yang ditunjukkan di atas.
- Penukaran: pilih CF atau CB bergantung pada ketersediaan data.
- Gabungan ciri: masukkan kedua-dua isyarat ke dalam satu model.
Gabungan berwajaran ialah kaedah yang paling biasa dan paling mudah difahami.
Penilaian: Dua Jenis Soalan
Penilaian terbahagi kepada dua soalan:
- Ramalan penarafan: sejauh manakah penarafan ramalan menghampiri nilai sebenar? Gunakan RMSE/MAE.
- Kualiti susunan: adakah item yang betul berada berhampiran bahagian teratas? Gunakan Ketepatan@K, Ingatan@K, NDCG@K.
RMSE untuk Ramalan Penilaian
RMSE mengukur purata ralat kuasa dua antara penilaian yang diramal dengan penilaian sebenar, kemudian mengambil punca kuasanya. Ia memberikan penalti besar terhadap kesilapan yang besar dan merupakan metrik piawai untuk ketepatan penilaian.
import numpy as np
def rmse(pred, actual):
return np.sqrt(np.mean((np.array(pred) - np.array(actual)) ** 2))Ketepatan@K
Ketepatan@K = (item relevan dalam K teratas) / K. Ia menjawab soalan: daripada K perkara yang saya syorkan, berapakah bahagiannya yang benar-benar disukai pengguna? Nilai yang lebih tinggi bermakna lebih sedikit ruang yang terbazir.
def precision_at_k(recommended, relevant, k):
top_k = recommended[:k]
hits = len(set(top_k) & set(relevant))
return hits / kCapaian Semula@K
Capaian Semula@K = (item relevan dalam K teratas) / (jumlah item relevan). Ia menjawab soalan: daripada semua perkara yang akan disukai pengguna, berapakah bahagiannya yang saya paparkan 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 0.0Pertukaran antara Ketepatan dengan Capaian Semula
Ketepatan mengutamakan ketepatan perkara yang dipaparkan, manakala capaian semula mengutamakan liputan semua perkara yang relevan. Sistem pengesyor biasanya memberikan penekanan kepada Ketepatan@K kerana pengguna hanya melihat senarai pendek, maka slot teratas paling penting.
NDCG@K untuk Kualiti Pemeringkatan
NDCG@K (Keuntungan Terkumpul Terdiskaun Dinormalkan) memberikan ganjaran apabila item yang sangat relevan diletakkan hampir di atas. Item relevan pada kedudukan 1 dikira lebih penting daripada item yang sama pada kedudukan 10 kerana keuntungan didiskaunkan berdasarkan kedudukan.
Cara NDCG Berfungsi
DCG menjumlahkan relevan setiap item yang dibahagikan dengan log kedudukannya. NDCG membahagikan DCG dengan DCG ideal (susunan sempurna), lalu menghasilkan skor 0-1, dengan 1 bermaksud senarai yang disusun dengan 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 0.0Semakan Ringkas
Uji pengetahuan anda tentang metrik penilaian.
Ringkasan
Anda telah membina sistem pengesyor hibrid (contohnya, 0.6 * CF + 0.4 * CB) dan mempelajari kit alat penilaiannya: RMSE untuk ketepatan penilaian, Ketepatan@K dan Capaian Semula@K untuk dapatan semula, serta NDCG@K untuk kualiti pemeringkatan. Kursus Sistem Pengesyor berakhir di sini. Kursus seterusnya: Asas MLOps.
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 53
- Pelajaran
- 225
Soalan Lazim
Adakah pelajaran “Sistem Hibrid dan Metrik Penilaian” percuma?
Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Sistem Hibrid dan Metrik Penilaian”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Sistem Hibrid dan Metrik Penilaian”?
Menggabungkan kaedah kolaboratif + berasaskan kandungan, RMSE, MAE, Precision@K, Recall@K. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 4 daripada 4.
Berapa lamakah pelajaran “Sistem Hibrid dan Metrik Penilaian” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?
Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Penapisan Kolaboratif: Berasaskan Pengguna dan Item
- Pemfaktoran Matriks dengan SVD
- Penapisan Berasaskan Kandungan
- Sistem Hibrid dan Metrik Penilaian