Hibrit Sistemler ve Değerlendirme Ölçütleri
İşbirlikçi ve içerik tabanlı yöntemleri birleştirme, RMSE, MAE, Precision@K, Recall@K.
Hibrit Sistemler ve Değerlendirme Ölçütleri, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 4. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.
Hibrit Sistemler Neden Kullanılır?
İşbirlikçi filtreleme soğuk başlangıç sorununda zorlanır; içerik tabanlı filtreleme ise aşırı özelleşir. Hibrit sistem, her yöntemin diğerinin zayıflıklarını gidermesini sağlayacak şekilde bu yöntemleri birleştirir ve genellikle tek başına kullanılan yöntemlerden daha iyi sonuç verir.
Ağırlıklı Birleştirme
En basit hibrit yaklaşım, toplamları 1 olan ağırlıklarla puanları birleştirir. Örneğin 0.6 * CF + 0.4 * CB, işbirlikçi sinyallere ağırlık verirken içeriği bir yedek ve çeşitlendirici olarak korur.
final_score = 0.6 * cf_score + 0.4 * cb_scoreAğırlıkları Ayarlama
0.6 / 0.4 bölüşümü yalnızca bir başlangıç noktasıdır. Ağırlıkları bir doğrulama kümesi üzerinde ayarlayın: kullanıcıların geçmişi zenginse CF ağırlığını artırın; yeni öğeler için CB ağırlığını artırın. Ağırlıkları kullanıcıya göre değiştirebilirsiniz.
Diğer Hibrit Stratejiler
- Ağırlıklı: puanları birleştirir (yukarıda gösterilmiştir).
- Geçişli: veri kullanılabilirliğine göre CF veya CB'yi seçer.
- Özellik birleştirme: her iki sinyali tek bir modele girdi olarak verir.
Ağırlıklı birleştirme en yaygın ve anlaşılması en kolay yöntemdir.
Değerlendirme: İki Soru Türü
Değerlendirme iki soruya ayrılır:
- Puan tahmini: Tahmin edilen puanlar ne kadar yakın? RMSE/MAE kullanın.
- Sıralama kalitesi: Doğru öğeler üst sıralarda mı? Precision@K, Recall@K ve NDCG@K kullanın.
Puan Tahmini için RMSE
RMSE, tahmin edilen ve gerçek puanlar arasındaki ortalama karesel hatayı ölçer, ardından bunun karekökünü alır. Büyük sapmaları ağır biçimde cezalandırır ve puan doğruluğu için standart metriktir.
import numpy as np
def rmse(pred, actual):
return np.sqrt(np.mean((np.array(pred) - np.array(actual)) ** 2))Precision@K
Precision@K = (üst K'deki ilgili öğeler) / K. Şu soruyu yanıtlar: Önerdiğim K öğenin kaçta kaçını kullanıcı gerçekten beğendi? Daha yüksek değer, daha az konumun boşa harcanması anlamına gelir.
def precision_at_k(recommended, relevant, k):
top_k = recommended[:k]
hits = len(set(top_k) & set(relevant))
return hits / kRecall@K
Recall@K = (üst K'deki ilgili öğeler) / (toplam ilgili öğe sayısı). Şu soruyu yanıtlar: Kullanıcının beğeneceği her şeyin kaçta kaçını üst K içinde gösterdim?
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 0.0Precision ve Recall Dengesi
Precision, gösterdiklerinizin doğru olmasına; recall ise ilgili her şeyi kapsamaya öncelik verir. Öneri sistemleri genellikle Precision@K değerine daha fazla önem verir; çünkü kullanıcılar yalnızca kısa bir liste görür ve en üst sıralardaki konumlar en önemlisidir.
Sıralama Kalitesi için NDCG@K
NDCG@K (Normalleştirilmiş İndirgenmiş Birikimli Kazanç), yüksek ilgililiğe sahip öğelerin üst sıralara yerleştirilmesini ödüllendirir. İlgili bir öğenin 1. sırada olması, aynı öğenin 10. sırada olmasından daha yüksek değer taşır; çünkü kazançlar konuma göre indirgenir.
NDCG Nasıl Çalışır
DCG, her öğenin ilgililik değerini sırasının log değerine bölerek toplar. NDCG, DCG'yi ideal DCG'ye (kusursuz sıralamaya) böler ve 1'in kusursuz sıralanmış bir listeyi gösterdiği 0-1 aralığında bir score verir.
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 0.0Kısa Sınama
Değerlendirme metrikleri bilginizi sınayın.
Özet
Bir hibrit öneri sistemi (ör. 0.6 * CF + 0.4 * CB) oluşturdunuz ve değerlendirme araç setini öğrendiniz: puan doğruluğu için RMSE, geri getirme için Precision@K ve Recall@K, sıralama kalitesi için de NDCG@K. Böylece Öneri Sistemleri kursu sona eriyor. Sıradaki kurs: MLOps Temelleri.
Yapay zeka eğitmeniyle Python öğren — ücretsiz
Tarayıcında gerçek kod yaz ve çalıştır, 7/24 yapay zeka eğitmeninden anında yardım al; web'de ya da uygulamada kaldığın yerden devam et.
- Kurslar
- 53
- Dersler
- 225
Sıkça Sorulan Sorular
“Hibrit Sistemler ve Değerlendirme Ölçütleri” dersi ücretsiz mi?
Evet — “Hibrit Sistemler ve Değerlendirme Ölçütleri” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.
“Hibrit Sistemler ve Değerlendirme Ölçütleri” dersinde ne öğreneceğim?
İşbirlikçi ve içerik tabanlı yöntemleri birleştirme, RMSE, MAE, Precision@K, Recall@K. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 4. dersidir.
“Hibrit Sistemler ve Değerlendirme Ölçütleri” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- İşbirlikçi Filtreleme: Kullanıcı ve Öğe Tabanlı
- SVD ile Matris Çarpanlarına Ayırma
- İçerik Tabanlı Filtreleme
- Hibrit Sistemler ve Değerlendirme Ölçütleri