聚合精度和召回的实际重要性是什么？

Question

我正在为推荐系统制作 movielens 100K 电影数据。 我将数据分为测试和训练，并计算精度和召回率。在测试中，随机选择的用户超过10K。 我能够找到个人用户的精确度和召回率。

我想知道： 聚合精度和召回是否具有实际重要性？

Answer 1

您将在学术论文中看到精确/召回结果作为汇总报告，而不是10,000个不同的P / R结果。在这方面，它为读者提供了非常一般的 RS性能感。通常，您会看到Precision / Recall表示为曲线（如此处所示：http://www.cs.washington.edu/ai/mln/images/image001.png）。您倾向于看到Recall = 1，Precision很低，而Precision = 1，召回率很低。您可以从10,000个结果中轻松地在Excel或Google表格中创建其中一条曲线。

正如评论中所提到的，F-measure是一种将P / R组合起来生成平均值的方法，尽管在你“吹嘘”它之前你需要了解F测量的局限性。根据您的应用领域，对于精确度或召回进行某种加权的证明并不罕见，因此请注意基本F值是平衡的（精度和召回都被视为同等重要）。

接收器操作员特性（https://en.wikipedia.org/wiki/Receiver_operating_characteristic）也常用于旁边P / R曲线，并且f-measure用于推荐系统评估。如果您正在寻找额外的功劳，那么我建议使用多种方法来评估RS性能，例如P / R曲线，F测量，AUC和ROC。