2.3.8 Evaluating ClassifiersThe most

2.3.8 Evaluating Classifiers

The most commonly accepted evaluation measure for RS is the Mean Average Error
or Root Mean Squared Error of the predicted interest (or rating) and the measured
one. These measures compute accuracy without any assumption on the purpose of
the RS. However, as McNee et al. point out [51], there is much more than accuracy
to deciding whether an item should be recommended. Herlocker et al. [42] provide
a comprehensive review of algorithmic evaluation approaches to RS. They suggest
that some measures could potentially be more appropriate for some tasks. However,
they are not able to validate the measures when evaluating the different approaches
empirically on a class of recommendation algorithms and a single set of data.
A step forward is to consider that the purpose of a “real” RS is to produce a top-N
list of recommendations and evaluate RS depending on how well they can classify
items as being recommendable. If we look at our recommendation as a classifica-
tion problem, we can make use of well-known measures for classifier evaluation
such as precision and recall. In the following paragraphs, we will review some of
these measures and their application to RS evaluation. Note however that learn-
ing algorithms and classifiers can be evaluated by multiple criteria. This includes
how accurately they perform the classification, their computational complexity dur-
ing training , complexity during classification, their sensitivity to noisy data, their
scalability, and so on. But in this section we will focus only on classification perfor-
mance.

ผลลัพธ์ (ไทย) 1:

2.3.8 ประเมิน Classifiersมากสุดโดยทั่วไปยอมรับวัดประเมิน RS จะหมายถึงค่าเฉลี่ยข้อผิดพลาดหรือรากหมายถึงลอการิทึมผิดคาดการณ์ดอกเบี้ย (หรือคะแนน) และการวัดหนึ่ง มาตรการเหล่านี้คำนวณความถูกต้อง โดยไม่มีสมมติฐานใด ๆ ในวัตถุประสงค์ของRS อย่างไรก็ตาม ตาม McNee et al. ชี้ [51], มีมากกว่าความถูกต้องการตัดสินใจว่า ควรจะแนะนำสินค้า ให้ Herlocker et al. [42]ความเห็นที่ครอบคลุมการประเมิน algorithmic ใกล้กับ RS พวกเขาแนะนำบางวัดอาจจะเหมาะสมมากสำหรับงานบางอย่าง อย่างไรก็ตามพวกเขาไม่สามารถที่จะตรวจสอบมาตรการเมื่อประเมินแนวทางแตกต่างกันempirically บนชั้นของอัลกอริทึมคำแนะนำและข้อมูลชุดเดียวก้าวไปข้างหน้าคือการ พิจารณาว่า วัตถุประสงค์ของ RS "จริง" คือการ ผลิตด้าน-Nรายการของคำแนะนำ และประเมิน RS ตามวิธีการที่ดีสามารถจัดประเภทสินค้าเป็นการนำเกี่ยวกับภัตตาคาร ถ้าเราดูที่แนะนำเป็น classifica แบบปัญหาสเตรชัน ที่เราสามารถทำให้ใช้วัดรู้จักประเมินผล classifierความแม่นยำและการเรียกคืน ในย่อหน้าต่อไปนี้ เราจะตรวจสอบของมาตรการเหล่านี้และสมัครเพื่อประเมิน RS หมายเหตุแต่ที่เรียน-บริษัทอัลกอริทึมและ classifiers สามารถถูกประเมิน โดยหลายเงื่อนไข ซึ่งรวมถึงความแม่นยำที่จะทำการ classification, dur คำนวณซับซ้อนของพวกเขา-บริษัทฝึกอบรม ความซับซ้อนระหว่าง classification ความไวเสียงดังข้อมูล การขนาด และอื่น ๆ แต่ในส่วนนี้ เราจะเน้นเฉพาะ classification perfor-mance

ผลลัพธ์ (ไทย) 2:

2.3.8 การประเมิน Classi ERS สายการประเมินผลมากที่สุดที่ยอมรับกันทั่วไปวัดสำหรับอาร์เอสเป็นข้อผิดพลาดเฉลี่ย Mean หรือ Root Mean Squared ข้อผิดพลาดที่น่าสนใจที่คาดการณ์ไว้ (หรือคะแนน) และวัดหนึ่ง มาตรการเหล่านี้คำนวณความถูกต้องโดยไม่ต้องสมมติฐานใด ๆ เกี่ยวกับวัตถุประสงค์ของอาร์เอส แต่เป็น McNee et al, ชี้ให้เห็น [51] มีอะไรมากไปกว่าความถูกต้องในการตัดสินใจว่ารายการที่ควรได้รับการแนะนำ Herlocker et al, [42] ให้ทานที่ครอบคลุมของการประเมินผลขั้นตอนวิธีการอาร์เอส พวกเขาแสดงให้เห็นว่ามาตรการบางอย่างอาจจะเป็นที่เหมาะสมสำหรับงานบางอย่าง แต่พวกเขาจะไม่สามารถที่จะตรวจสอบมาตรการเมื่อมีการประเมินวิธีการที่แตกต่างกันสังเกตุในชั้นเรียนของขั้นตอนวิธีการให้คำแนะนำและชุดเดียวของข้อมูล. ก้าวไปข้างหน้าคือการพิจารณาว่าวัตถุประสงค์ของการ "ของจริง" อาร์เอสคือการผลิตบนสุด ยังไม่มีรายการแนะนำและประเมินอาร์เอสขึ้นอยู่กับวิธีการที่ดีที่พวกเขาสามารถแบ่งรายการเป็นฝากฝัง ถ้าเราดูที่คำแนะนำของเราเป็น CA- จัดประเภทปัญหาการที่เราสามารถใช้ประโยชน์จากมาตรการที่รู้จักกันดีสำหรับการประเมินผลเอ้อจัดประเภทไฟเช่นความแม่นยำและการเรียกคืน ในย่อหน้าต่อไปนี้เราจะตรวจสอบบางส่วนของมาตรการเหล่านี้และการประยุกต์ใช้ของพวกเขาเพื่อการประเมินผลอาร์เอส หมายเหตุ แต่ที่ learn- ไอเอ็นจีและขั้นตอนวิธีการจัดประเภท ERS สามารถประเมินตามเกณฑ์หลาย ซึ่งรวมถึงวิธีการที่ถูกต้องพวกเขาดำเนินการจัดประเภทไอออนบวก, ความซับซ้อนของคอมพิวเตอร์ของพวกเขาบนจอภาพขณะที่ไอเอ็นจีการฝึกอบรมความซับซ้อนระหว่างไอออนบวกจัดประเภทไวของพวกเขาไปยังข้อมูลที่มีเสียงดังของพวกเขาขยายขีดความสามารถและอื่น ๆ แต่ในส่วนนี้เราจะมุ่งเน้นเฉพาะในไอออนจัดประเภทการปฏิบัติงานสายแรนซัม

ผลลัพธ์ (ไทย) 3:

2.3.8 จึงประเมิน classi ERS

ส่วนใหญ่ยอมรับกันโดยทั่วไปการประเมินการวัดสำหรับ Rs คือค่าเฉลี่ยความคลาดเคลื่อนยกกำลังสอง
หรือรากหมายถึงความผิดพลาดของการทำนายที่น่าสนใจ ( หรือโรงแรม ) และวัด
1 มาตรการเหล่านี้คำนวณความถูกต้องโดยไม่มีสมมติฐานเกี่ยวกับวัตถุประสงค์ของ
. อย่างไรก็ตาม , เป็นเมิ่กนี่ et al . ชี้ [ 51 ] มีมากกว่าความถูกต้อง
เพื่อตัดสินใจว่า รายการที่ควรแนะนำ herlocker et al . [ 42 ] ให้
รีวิวครอบคลุมการประเมินขั้นตอนแนวทาง อาร์เอส เขาแนะ
ที่บางมาตรการอาจจะเหมาะสมมากกว่าสำหรับบางงาน อย่างไรก็ตาม
พวกเขาไม่สามารถที่จะตรวจสอบมาตรการเมื่อประเมิน
วิธีต่าง ๆใช้ในชั้นเรียนของขั้นตอนวิธีข้อเสนอแนะ และชุดเดียวของข้อมูล .
ขั้นตอนต่อไปคือการพิจารณาว่าวัตถุประสงค์ของการเป็น " ของจริง " อาร์เอส เพื่อผลิต top-n
รายการของข้อเสนอแนะและประเมินข้อมูลขึ้นอยู่กับวิธีที่ดีที่พวกเขาสามารถจำแนก
รายการเป็นฝากฝัง ถ้าเราดูที่คำแนะนำเป็น classi จึง CA -
, ปัญหาเราสามารถใช้มาตรการที่ classi จึงเอ้อ
เช่นการประเมินความแม่นยำและการเรียกคืน ในย่อหน้าต่อไปนี้ เราจะตรวจสอบบางส่วนของ
มาตรการเหล่านี้และการประยุกต์ในการประเมินอาร์เอส . หมายเหตุอย่างไรก็ตามว่า เรียนรู้ -
ing ขั้นตอนวิธีและ classi ERS จึงจะประกอบด้วยหลายขั้นตอน นี้รวมถึง
วิธีการอย่างถูกต้องพวกเขาดำเนินการไอออนบวกจึง classi ของความซับซ้อนในการคำนวณน่ะ -
การฝึกอบรมไอเอ็นจี ความซับซ้อนในการ classi จึงของความไวต่อข้อมูลดังกล่าวของพวกเขา
, และอื่น ๆ แต่ในส่วนนี้เราจะเน้นเฉพาะในการถ่ายทอด classi perfor แมนส์
-
.