1 評分預(yù)測：預(yù)測用戶對物品的評分

RMSE均方根誤差=實際評分差的平方的平均數(shù)，再開根號
MAE均方根誤差=實際評分差的平均數(shù)
RSME 加大了對預(yù)測不準(zhǔn)的用戶物品評分的懲罰，因而對系統(tǒng)的懲罰更加苛刻。

def RSME(records):
      allsum= sum(pow(real - predict,2) for real, predict in records) 
      avg = allsum / float(len(records))
      return math.sqrt(avg)   

def MAE(records):
      allsum = sum(abs(real - predict) for real, predict in records) 
      avg = allsum  / float(len(records))
      return math.sqrt(avg)   

2 TopN 推薦的預(yù)測準(zhǔn)確率

網(wǎng)站在提供服務(wù)時，一般會給用戶一個個性化的推薦列表。
召回率： 準(zhǔn)確的有多少個被預(yù)測出來了
預(yù)測集中個數(shù)^實際集中個數(shù)/實際集中個數(shù)
準(zhǔn)確率： 預(yù)測中有多少個準(zhǔn)確的
預(yù)測集中個數(shù)^實際集中個數(shù)/預(yù)測集中個數(shù)

def recall(tests, N):
     for user,items in tests.items():
           topN = GetTopN(User,N)
           Hit += useritems & topN     # set 交集 累加 
           real_total  += items  # 實際集中數(shù)目累加
           predict_total += N  # 預(yù)測集中累加,每次預(yù)測N ，則每次加 N  
     recall =  hit/ real_total  
     precision =  hit / predict_total