レコメンデーションシステムの評価においては、システムがユーザーの好みをどれだけ正確に予測できるか、また推奨アイテムをどれだけ適切に順位付けできるかの両方を測定することが重要です。**予測精度指標**（例：平均二乗誤差（MSE））は、予測値と実際の評価値との平均二乗差を定量化し、モデル性能を直接的に示します。一方、**ランキング指標**は、ユーザーが最も関連性の高いアイテムを推奨リストの上位で見つけやすいように、システムがどれだけ効果的に推薦順序を決定できているかを評価します。これらの指標を組み合わせることで、レコメンデーションエンジンの強みと弱みを包括的に把握できます。


import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import user_code
import importlib
import numpy as np

class TestTask(unittest.TestCase):

    def test_precision_at_3(self):
        import user_code
        importlib.reload(user_code)
        predicted = [2.5, 4.0, 3.5, 5.0, 1.0]
        actual = [3.0, 5.0, 2.0, 4.0, 1.0]
        result = user_code.evaluate_predictions(predicted, actual)
        _dynamic_test(
            self,
            result is not None and abs(result[1] - 2/3) < 1e-6,
            "Correct precision@3 for provided example.",
            f"Expected precision@3 0.666..., got {result[1] if result else result}",
        )

    def test_short_lists(self):
        import user_code
        importlib.reload(user_code)
        predicted = [3.0, 4.0]
        actual = [4.0, 2.0]
        result = user_code.evaluate_predictions(predicted, actual)
        # MSE = ((3-4)^2 + (4-2)^2)/2 = (1+4)/2 = 2.5
        # Precision@3: only 2 items, so overlap of top-2/3
        pred_indices = np.argsort(predicted)[::-1][:3]
        actual_indices = np.argsort(actual)[::-1][:3]
        overlap = len(set(pred_indices) & set(actual_indices))
        expected_precision = overlap/3
        _dynamic_test(
            self,
            result is not None and abs(result[0] - 2.5) < 1e-6,
            "Correct MSE for short lists.",
            f"Expected MSE 2.5, got {result[0] if result else result}",
        )
        _dynamic_test(
            self,
            abs(result[1] - expected_precision) < 1e-6,
            "Correct precision@3 for short lists.",
            f"Expected precision@3 {expected_precision}, got {result[1] if result else result}",
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    # Collect all assignment nodes to modify
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]

    # If nothing to change, return unmodified code
    if not assign_nodes:
        return code

    # Perform replacements for all matching assignments (from last to first to not break line offsets)
    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True

    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    unittest.main()


test_main.py

現代のレコメンデーションエンジンおよびトランザクション関連モデルの設計、実装、スケーリングに必要なスキルを習得します。AprioriやFP-Growthなどの古典的なアルゴリズム原理を用いて生の小売チェックアウトデータを分析することから、協調フィルタリングや行列分解による高度なパーソナライゼーションシステムの構築までを学びます。現代のデジタルストアフロントの発見レイヤーを支え、ユーザーエンゲージメント指標を向上させるデータパイプラインの設計方法を習得します。

膨大なトランザクションデータ構造内に隠された関係性を発見する方法を学びます。小売大手が棚配置、在庫構造、商品バンドル戦略を最適化するために使用する主要な数学的フレームワークについて習得します。

レコメンデーションシステムの文脈における潜在特徴とは何か？

SVDはどのようにして欠損評価値の予測に役立つか？

平均二乗誤差が低いことは何を示すか？

ランキング品質を評価するのに最適な指標はどれですか？

スパースデータに対する行列分解の主な課題は何ですか？

次元削減はどのように推薦品質を向上させますか？

メモリクラッシュを回避しながら、大規模な企業取引データを扱うことでアルゴリズムの知識を次のレベルへ引き上げます。高性能な圧縮ツリーを習得し、ルールパターンから商業的ノイズを排除する方法を学びます。

現代のデジタルプラットフォームを支えるレコメンデーションエンジンの構築を実践的に体験します。商品グループを超えて、過去のユーザー行動、評価、共有された消費者習慣をマッピングする方法を学びます。

スパースデータセット向けの高度な機械学習モデルの数学的基礎を深く学びます。多次元のユーザーフィードバックデータに隠された潜在特徴を発見し、欠損しているインタラクションを正確に予測する方法を習得します。

チャレンジ：予測精度およびランキング指標の計算

解答