混合系统与评估指标
结合协同过滤与基于内容的过滤、RMSE、MAE、Precision@K、Recall@K。
混合系统与评估指标 是 CoddyKit 上的免费 Learn AI with Python 课时。 这是第 4 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Learn AI with Python 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Learn AI with Python 课程共包含 4 节课。
为什么使用混合系统
协同过滤难以处理冷启动，而基于内容的过滤容易过度专业化。混合系统将二者结合起来，让每种方法弥补另一种方法的不足，通常比单独使用任何一种方法都更好。
加权组合
最简单的混合方法是使用权重混合得分，并让权重之和为 1。例如，0.6 * CF + 0.4 * CB 更依赖协同信号，同时保留内容信号作为后备方案和多样化来源。
final_score = 0.6 * cf_score + 0.4 * cb_score调节权重
0.6 / 0.4 的分配只是起点。请在验证集上调节权重：当用户拥有丰富的历史记录时，提高 CF 权重；对于新项目，提高 CB 权重。您甚至可以针对不同用户使用不同的权重。
其他混合策略
- 加权：混合得分（如上所示）。
- 切换：根据数据可用性选择 CF 或 CB。
- 特征组合：将两种信号输入同一个模型。
加权混合最常见，也最容易理解。
评估：两类问题
评估可以分为两个问题：
- 评分预测：预测评分与实际评分有多接近？使用 RMSE/MAE。
- 排序质量：正确的项目是否排在前面？使用 Precision@K、Recall@K、NDCG@K。
评分预测的 RMSE
RMSE 衡量预测评分与实际评分之间的平均平方误差，然后对结果开平方。它会重罚较大的预测偏差，是评分准确度的标准指标。
import numpy as np
def rmse(pred, actual):
return np.sqrt(np.mean((np.array(pred) - np.array(actual)) ** 2))精确率@K
精确率@K =（前 K 个项目中的相关项目数）/ K。它回答的是：我推荐的 K 个项目中，用户实际喜欢的比例是多少？数值越高，浪费的推荐位置就越少。
def precision_at_k(recommended, relevant, k):
top_k = recommended[:k]
hits = len(set(top_k) & set(relevant))
return hits / k召回率@K
召回率@K =（前 K 个项目中的相关项目数）/（相关项目总数）。它回答的是：用户会喜欢的所有项目中，我有多少比例展示在了前 K 个位置？
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 0.0精确率与召回率的权衡
精确率侧重于确保展示的内容是正确的；召回率侧重于覆盖所有相关内容。推荐系统通常更重视精确率@K，因为用户只能看到较短的列表，所以最前面的几个位置最重要。
用于衡量排序质量的 NDCG@K
NDCG@K（归一化折损累计增益）会奖励将高度相关的项目放在顶部。相关项目排在第 1 位比排在第 10 位的计分更高，因为增益会根据位置进行折损。
NDCG 的工作原理
DCG 将每个项目的相关性除以其排名的对数后求和。NDCG 再将 DCG 除以理想 DCG（完美排序下的 DCG），得到一个 0 到 1 之间的分数，其中 1 表示排序完美的列表。
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 0.0快速检查
测试您对评估指标的掌握情况。
回顾
您构建了一个混合推荐系统（例如 0.6 * CF + 0.4 * CB），并学习了它的评估工具集：用于评分准确度的 RMSE、用于检索的精确率@K和召回率@K，以及用于排序质量的 NDCG@K。至此，推荐系统课程结束。下一门课程：MLOps 基础。
常见问题解答
「混合系统与评估指标」课时是免费的吗？
是的 — 「混合系统与评估指标」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Learn AI with Python 课程的其余内容，请升级到 CoddyKit PRO。 Learn AI with Python 课程共包含 4 节课。
「混合系统与评估指标」这节课中我会学到什么？
结合协同过滤与基于内容的过滤、RMSE、MAE、Precision@K、Recall@K。 你通过在浏览器中直接运行的动手代码来练习 Learn AI with Python，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Learn AI with Python 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Learn AI with Python 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 4 节课，共 4 节。
「混合系统与评估指标」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Learn AI with Python 课中编写并运行代码吗？
能。每节 Learn AI with Python 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 协同过滤：基于用户与基于物品
- 使用 SVD 进行矩阵分解
- 基于内容的过滤
- 混合系统与评估指标