- 准确率。推荐给用户的商品中,属于测试集的比例,数学公式$P(L_{u})=\frac{L_{u}\bigcap B_{u}}{L_{u}}$ 。整个测试集的准确率为 $P_{L}=\frac{1}{n}\sum_{u\epsilon U}P(L_{u})$
- 召回率。测试集中有多少在用户的推荐列表中。数学公式$R(L_{u})=\frac{L_{u}\bigcap B_{u}}{ B_{u}}$。整个测试集的召回率为$R_{L}=\frac{1}{n}\sum_{u\epsilon U}R(L_{u})$
- F1值。准确率和召回率的加权,数学公式 $F_{\beta }=\frac{(1+\beta ^{2})PR}{\beta ^{2}P+R}$。
- Ranking Score。数学公式 $R=\frac{1}{|E^{U}|}\sum_{ui\epsilon E^{U}}\frac{p_{ui}}{M-k_{u}}$ 其中$E^{U}$ 表示测试集中所有的边的集合,如果用户u对商品i在测试集中,则$E_{ui}=1$
推荐系统--评估指标汇总
原文:https://www.cnblogs.com/wzyj/p/8976185.html