Какие знаешь ранжирующие метрики в рекомендательных системах

В рекомендательных системах популярны следующие ранжирующие метрики:

1. Precision@k — доля релевантных рекомендаций среди топ-k.
   python

   Копировать

   def precision_at_k(y_true, y_pred, k):
       y_pred = y_pred[:k]
       relevant = sum(1 for item in y_pred if item in y_true)
       return relevant / k

2. Recall@k — доль релевантных рекомендаций, попавших в топ-k.

   python

   Копировать

   def recall_at_k(y_true, y_pred, k):
       y_pred = y_pred[:k]
       relevant = sum(1 for item in y_pred if item in y_true)
       return relevant / len(y_true)

3. NDCG@k — учитывает порядок рекомендаций, нормированная дисконтированная кумулятивная выгода.

   python

   Копировать

   from sklearn.metrics import ndcg_score
   ndcg_score([y_true], [y_pred], k=k)

4. MAP@k — средняя точность по всем пользователям.

5. MRR — обратный ранг первой релевантной рекомендации.

Эти метрики помогают оценить качество ранжирования, учитывая релевантность и порядок рекомендаций.