Ich baute eine Empfehlung Modell auf einem Benutzer-item Transaktionsdatensatzes, wobei jede Transaktion hier von 1.Interpretation ergibt sich aus lightFM
model = LightFM(learning_rate=0.05, loss='warp')
vertreten sind die Ergebnisse
Train precision at k=3: 0.115301
Test precision at k=3: 0.0209936
Train auc score: 0.978294
Test auc score : 0.810757
Train recall at k=3: 0.238312330233
Test recall at k=3: 0.0621618086561
Kann mir jemand helfen zu interpretieren dieses Ergebnis? Wie kommt es, dass ich so gute Auc-Punkte und so schlechte Präzision/Erinnerung bekomme? Die Präzision/der Rückruf wird noch schlechter für 'bpr' Bayes'sches personalisiertes Ranking.
Prediction Aufgabe
users = [0]
items = np.array([13433, 13434, 13435, 13436, 13437, 13438, 13439, 13440])
model.predict(users, item)
Ergebnis
array([-1.45337546, -1.39952552, -1.44265926, -0.83335167, -0.52803332,
-1.06252205, -1.45194077, -0.68543684])
Wie interpretiere ich die Vorhersage Partituren?
Dank