検索における適合率 (Precision) と再現率 (Recall)
検索における適合率 (Precision) と再現率 (Recall) 2008-01-17-1 [IIR] 「Introduction to Information Retrieval」[1] の輪講の第一回[2008-01-12-1]でちらっと話しましたが、第一章の 1.1 に Precision と Recall の説明があります（第八章でも出てきます）。 若干混乱しやすくややこしい話なので、ここで改めて解説します。 § Precision (適合率) とは、 全検索結果に対しての、 検索要求 (information need) を満たす検索結果の割合です。 例えば、 「MacBook Air の重量を知りたい」という検索要求を満たすために検索キー「MacBook Air 重さ」でウェブ検索した結果100件のうち、検索要求を満たす（重さが分かる）のが85件だとすると、 Precis
2.3 Evaluating a recommender/2.4 Evaluating precision and recall - Secret Staircase on はてな
今回は 2.3 Evaluating a recommender と 2.4 Evaluating precision and recall です。 Recommender を評価するために Evaluator が用意されています。 ここで使うのは以下 3 種。 AverageAbsoluteDifferenceRecommenderEvaluator 予測と実際の値の差 (絶対値) の平均 RMSRecommenderEvaluator 予測と実際の値の差の RMS (2 乗平均平方根) GenericRecommenderIRStatsEvaluator precision/recall など 2.3 Evaluating a recommender まず差の平均を使う例 object EvaluatorIntro extends App { RandomUtils.useTestSe
Mahout in Action Chapter 2 Summary - Tech Log - s21g
Mahout in ActionのChapter2についての自分の理解をメモ。 推薦の定義 ユーザベース ・ユーザとアイテムの関連に基づく推薦。 ・嗜好の似ている人が好きそうなものを推薦する。 ・属性は考慮しない。 ・Mahoutで適切に表現可能 アイテムベース ・ユーザとアイテムの関連に基づく推薦。 ・好きなアイテムに似ているアイテムを推薦する。 ・属性は考慮しない。 ・Mahoutで適切に表現可能 コンテンツベース ・アイテムの属性に基づく推薦。 ・Mahoutはあまりサポートしない。 ・Mahoutと組み合わせて実現可能。 初めての推薦エンジン ここではユーザベースの推薦アルゴリズムを使用 MahoutのインプットデータのIDは常に数字（整数）。嗜好度は大きい値がより嗜好度が強いことを意味すればどのような値でもよい。 CSV形式でインポートデータを用意。 Recommenderの作成
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
