本文主要是介绍深度学习常用评价指标（Accuracy、Recall、Precision、HR、F1 score、MAP、MRR、NDCG）——推荐系统，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
混淆矩阵
| 混淆矩阵 | ||
| P(Positives) | N(Negatives) | |
| T(Ture) | TP：正样本，预测结果为正 | TN：负样本，预测结果为正 |
| F(False) | FP：正样本，预测结果为负 | FN：负样本，预测结果为负 |
总结
| Accuracy | ||
| Recall | ||
| Precision | ||
| Hits Ratio | ||
| F1 score | ||
| Mean Average Precision | ||
| Mean Reciprocal Rank | ||
| Normalized Discounted Cumulative Gain | ||
1、准确率(Accuracy)
含义：预测正确的样本在所有样本中的比列。
公式：
注：在样本不平衡的情况下，不能作为很好的指标来衡量结果。
2、召回率(Recall)&查全率
含义：预测正确的正样本在所有正样本中所占的比例，即表示有多少比例的用户-物品交互记录包含在最终的预测列表中。
公式：
注：准确率和召回率都只能衡量检索性能的一个方面。
3、精确率(Precision)&查准率
含义：在全部预测为正的结果中，被预测正确的正样本所占的比例。
公式：
注：召回率和精确率是一对矛盾的指标，当召回率高的时候，精确率一般很低；精确率高时，召回率一般很低。
4、命中率(Hits Ratio)
含义：预测结果列表中预测正确的样本占所有样本的比例，即用户想要的项目有没有推荐到，强调预测的“准确性”。
公式：
N，表示用户总数量。
hits(i)，表示第i个用户访问的值是否在推荐列表中，是则为1，否则为0。
5、F1分数（F1 score)
含义：精确率与召回率的调和均值。
公式：
6、平均精度均值(Mean Average Precision)
Average Precision(AP)：平均精确率，在召回率从0到1逐步提高的同时也要保证准确率比较高，AP值尽可能的大。
含义：用多个来衡量性能，多个类别AP的平均值。
公式：
7、平均倒数排名(Mean Reciprocal Rank)
含义：平均结果中的排序倒数，表示待推荐的项目是否放在了用户更显眼的位置，强调“顺序性”。
公式：
N，表示用户的总数。
pi，表示第i个用户的真实访问值在推荐列表的位置，若推荐列表不存在该值，则pi->∞。
8、归一化折损累计增益(Normalized Discounted Cumulative Gain)
含义：表示归一化加入位置信息度量计算的前p个位置累计得到的效益。
公式：
N，表示用户的总数。
pi，表示第i个用户的真实访问值在推荐列表的位置，若推荐列表不存在该值，则pi->∞。
这篇关于深度学习常用评价指标（Accuracy、Recall、Precision、HR、F1 score、MAP、MRR、NDCG）——推荐系统的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
