我正在为推荐系统处理movielens 100K电影数据。
我将数据分为测试和训练，然后计算精度和召回率。在测试中，随机选择了超过1万名用户。
我能够找到精确度并针对单个用户进行召回。
我想知道：
汇总精度和召回率是否有实际意义？
最佳答案
您会在学术论文中看到“精确度/召回率”结果是总计报告，而不是10,000个不同的P / R结果。在这方面，它使读者对RS性能具有非常一般的认识。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）。您倾向于看到在Recall = 1时，精度较低，而在Precision = 1时，召回率较低。您可以从10,000个结果中轻松地在Excel或Google表格中创建这些曲线之一。
如评论中所述，F度量是一种组合P / R来生成平均值的方法，尽管在“吹嘘”它之前您需要了解F度量的局限性。根据您的应用领域为精度或召回率权衡某种加权的情况并不罕见，因此请注意基本的F度量是平衡的（精度和召回率都被视为同等重要）。
接收器操作员特征（https://en.wikipedia.org/wiki/Receiver_operating_characteristic）也通常沿侧面P / R曲线使用，并且在推荐系统评估中使用f度量。如果您正在寻找额外的信誉，那么我建议您使用多种方法来评估RS性能，例如P / R曲线，F量度，AUC和ROC。
关于machine-learning - 汇总精度和召回率的实际重要性是什么？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/30890028/