召回率协同过滤怎么计算召回率 准确率

mahout 准确率 召回率一般是多少

看要做任务根据任务定指标 比说要做检索面任务准确率、召率其衍F1值用指标ROC曲线错指标 做预测面任务衡量预测误差候能要用RMSE（均根误差）指标具体计算公式百度 要做排序面任务MAP（平均准确率）、NDCG等等 所说要先确定问题再根据问题选择相应评价指标 mahout 准确率 召回率一般是多少 请详细的描叙问题

如何解释召回率与准确率

准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。

其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。

一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。

正确率、召回率和 F 值是在鱼龙混杂的环境中，选出目标的重要评价指标。

不妨看看这些指标的定义先： 1. 正确率 = 提取出的正确信息条数 / 提取出的信息条数 2. 召回率 = 提取出的正确信息条数 / 样本中的信息条数 两者取值在0和1之间，数值越接近1，查准率或查全率就越高。

3. F值 = 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值） 不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。

现在以捕鲤鱼为目的。

撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。

那么，这些指标分别如下： 正确率 = 700 / (700 + 200 + 100) = 70% 召回率 = 700 / 1400 = 50% F值 = 70% * 50% * 2 / (70% + 50%) = 58.3% 不妨看看如果把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化： 正确率 = 1400 / (1400 + 300 + 300) = 70% 召回率 = 1400 / 1400 = 100% F值 = 70% * 100% * 2 / (70% + 100%) = 82.35% 由此可见，正确率是评估捕获的成果中目标成果所占得比例；召回率，顾名思义，就是从关注领域中，召回目标类别的比例；而F值，则是综合这二者指标的评估指标，用于综合反映整体的指标。

当然希望检索结果Precision越高越好，同时Recall也越高越好，但事实上这两者在某些情况下有矛盾的。

比如极端情况下，我们只搜索出了一个结果，且是准确的，那么Precision就是100%，但是Recall就很低；而如果我们把所有结果都返回，那么比如Recall是100%，但是Precision就会很低。

因此在不同的场合中需要自己判断希望Precision比较高或是Recall比较高。

如果是做实验研究，可以绘制Precision-Recall曲线来帮助分析。

协同过滤怎么计算召回率 准确率

协同过滤(Collaborative Filtering)的基本概念就是把这种推荐方式变成自动化的流程 　　协同过滤主要是以属性或兴趣相近的用户经验与建议作为提供个性化推荐的基础。

透过协同过滤，有助于搜集具有类似偏好或属性的用户，并将其意见提供给同一集群中的用户作为参考，以满足人们通常在决策之前参考他人意见的心态。

　　本人认为，协同过滤技术应包括如下几方面:(1)一种比对和搜集每个用户兴趣偏好的过程;(2)它需要许多用户的信息去预测个人的兴趣偏好;(3)通过对用户之间兴趣偏好相关程度的统计去发展建议那些有相同兴趣偏好的用户。