目录
1. 数据分类-显性反馈和隐性反馈
在训练分类/推荐模型时使用的数据可以分为两种，显性和隐性反馈数据。
显性反馈数据：用户明确喜欢和不喜欢的物品（或明确有类别的数据）
隐形反馈数据：用户浏览过的物品，但并未明确表示喜欢或厌恶。这种类型数据只能认为全部是正反馈也即喜欢的物品。
举个栗子：
用户在爱奇艺给某个电影评分为10分，那显然用户是喜爱这部电影的。
用户这段时间看了10部电影，但是没有评分，我们不知道他到底喜不喜欢，但可以作为一个参考数据。
显性数据确实能给我们极大的便利，但是很多情况下是没有或缺少显性数据的。而隐形反馈数据很容易获取，所以介绍这两种数据训练出模型的评价方法。
2. 显性反馈数据模型评价方法
| 模型判定推荐的 |
模型判定不被推荐的 |
|
|---|---|---|
| 测试集中应当被推荐的 |
true positives(TP 正类判定为正类) |
false positives(FP 负类判定为正类） |
| 测试集中不应被推荐的 | false negatives(FN 正类判定为负类） | true negatives(TN 负类判定为负类） |
根据TP ,FP , FN ,TN就可以计算精确率和召回率。再以精确率和召回率计算其他评价方法。
精确率(precision)的公式是
召回率(recall)的公式是
这两个数据是相互制约的，所以通常使用两者结合的F-Measure,来计算。
当β取1时，是最常用的F1-Measure
3. 隐性反馈数据介绍
隐性反馈数据有诸多弊端，例如不明确，具有噪点数据，但是由于他广泛存在，我们有时甚至只能利用它，所以还是要详细研究一下。
显性反馈数据可以看出用户对某一物品的偏好值，例如评分机制，8分和10分的区别，而隐性反馈数据没办法衡量偏好值，只能认为用户浏览同一内容越多，越有可能喜好这个内容，也即置信度越大。
