Lære Evaluering af anbefalingspræstation med middelkvadreret fejlmetrik | Dyb Personalisering Gennem Matrixfaktorisering

Stryg for at vise menuen

Middelkvadreret fejl (MSE): Definition, formel og fortolkning

Definition

Middelkvadreret fejl, eller MSE, er en grundlæggende målemetode til at vurdere, hvor tæt et anbefalingssystems forudsagte vurderinger matcher de faktiske brugervurderinger. Den måler gennemsnittet af kvadraterne af forskellene mellem forudsagte og faktiske værdier.

Formlen for MSE er:

\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2

hvor:

$y_i$ er den faktiske vurdering for element $i$ ;
$\hat{y}_i$ er den forudsagte vurdering for element $i$ ;
$n$ er det samlede antal vurderinger, der sammenlignes.

En lavere MSE-værdi betyder, at forudsigelserne ligger tættere på de faktiske vurderinger, mens en højere MSE indikerer større fejl mellem det, systemet forudsiger, og hvad brugerne faktisk har vurderet.

Sådan beregnes MSE for forudsagte vs. faktiske vurderinger

For at beregne MSE følges disse trin:

Træk hver forudsagt vurdering fra den faktiske vurdering for at få fejlen for hver forudsigelse;
Kvadrer hver fejl for at sikre, at alle værdier er positive og for at straffe større fejl hårdere;
Læg alle kvadrerede fejl sammen;
Divider det samlede antal med antallet af forudsigelser for at få gennemsnittet.

Hvorfor MSE er vigtig for modelevaluering

MSE er vigtig, fordi den giver et enkelt tal, der opsummerer den forudsigende nøjagtighed af et anbefalingssystem. Den er især nyttig til at sammenligne forskellige modeller eller justere parametre, da en lavere MSE direkte afspejler bedre præstation i forudsigelse af brugerpræferencer. Da fejlene kvadreres, er MSE følsom over for store fejl, hvilket er nyttigt, når man ønsker at straffe store uoverensstemmelser mere markant.

Læs Mere

RMSE (Root Mean Squared Error) er kvadratroden af MSE. Den udtrykker fejlen i samme enheder som de oprindelige vurderinger, hvilket gør det lettere at fortolke, hvor langt forudsigelserne er fra de faktiske brugervurderinger. RMSE anvendes bredt sammen med MSE til at evaluere anbefalingssystemer, fordi den giver en mere intuitiv forståelse af forudsigelsesnøjagtigheden.

Eksempel: Beregning af MSE for et sæt forudsigelser

Antag, at du har et sæt faktiske brugervurderinger og dit systems forudsagte vurderinger for fem film:

Faktiske vurderinger: [4, 3, 5, 2, 1]
Forudsagte vurderinger: [5, 2, 4, 2, 1]

Du beregner forskellene, kvadrerer dem, summerer dem og dividerer med 5 (antallet af vurderinger) for at få MSE.


              12345678910111213
            
import numpy as np

# Actual and predicted ratings
actual_ratings = np.array([4, 3, 5, 2, 1])
predicted_ratings = np.array([5, 2, 4, 2, 1])

# Calculate squared differences
squared_errors = (actual_ratings - predicted_ratings) ** 2

# Compute mean squared error
mse = np.mean(squared_errors)

print('Mean Squared Error:', mse)

1. Hvilken påstand beskriver bedst, hvad en lavere mean squared error (MSE) indikerer om et anbefalingssystems forudsigelser?

2. Hvilket af følgende metrikker måler direkte den gennemsnitlige kvadrerede forskel mellem forudsagte og faktiske vurderinger i et anbefalingssystem?

Var alt klart?

Tak for dine kommentarer!

Sektion 4. Kapitel 4

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Sektion 4. Kapitel 4