MAP、MRR和NDCG计算细节

最新推荐文章于 2025-12-07 21:20:15 发布
转载 最新推荐文章于 2025-12-07 21:20:15 发布 · 384 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/anshuai_aw1/article/details/83117012
文章标签：

#算法

NDCG是NormalizedDiscountedCumulativeGain的缩写，用于评估信息检索或推荐系统的性能。它考虑了排名和相关性，IDCG是理想情况下的DCG，NDCG值越接近1，表示推荐或搜索结果的准确性越高。

一句话总结NDCGk=DCGkIDCGkNDCG_k=\frac{DCG_k}{IDCG_k}NDCGk​=IDCGk​DCGk​​，其中IDCG表示理想排序情况下的DCG。NDCG是0到1的数，越接近1说明推荐越准确。

以下转载自https://blog.youkuaiyun.com/anshuai_aw1/article/details/83117012
在这里插入图片描述

taoqick
关注
推荐系统常用评价指标(recall,MAP,MRR,NDCG,F1,ROC等)
Marcus-Bao的个人主页
03-05 8636
这里主要总结一下推荐系统当中常见的一些评价指标,主要包括: MAE,RMSE,recall,precision,MAP,MRR,NDCG等 MAE(Mean Average Error,平均绝对误差) 表示预测值和实际值之间的绝对误差的平均值. ##RMSE(Root Mean Square Error,均方根误差) 均方根误差是用来衡量观测值同真实值之间的偏差,RMSE越小越好. ##Reca...
推荐系统排序指标：MRR、MAP和NDCG
Cachel Wood的博客
05-30 465
摘要： 本文介绍了推荐系统中的三种关键评估指标：MRR、MAP和NDCG，分别来自基于二进制相关性和基于应用的两类度量家族。MRR关注首个相关结果的位置，适用于问答系统等场景；MAP通过计算平均精度衡量排序质量，适合二元相关性评估但对多级评分不敏感；NDCG支持多级相关性，通过折损累计增益和归一化处理，综合评估排序整体性能。各指标各有优劣：MRR简单但忽略后续结果，MAP对高排序错误敏感，NDCG计算复杂但更全面。实际应用中需根据场景需求选择合适指标。
推荐系统的评价指标笔记（NDCG、MAP、AUC、HR、MRR）
pocket_eight的博客
09-27 5275
NDCG Normalized Discounted Cummulative Gain 累积增益CG，CG表示每个推荐结果相关性的分数的累加， CGk=∑i=1kr(i)CG_k=\sum_{i=1}^kr(i)CGk​=i=1∑k​r(i) 其中relirel_ireli​是位置iii的推荐结果的相关性，kkk是推荐列表的大小. 如果我们考虑到位置对推荐的影响，比如，相关性高的应该尽量排在推荐列表的前面。这里引入DCG，考虑位置的影响因素： DCGk=∑i=1kr(i)log⁡2(i+1)DCG_k=\s
IR的评价指标-MAP，MRR和NDCG的形象理解
anshuai_aw1的博客
10-17 1万+
一 、MAP(Mean Average Precision)： 单个主题的平均准确率是每篇相关文档检索出后的准确率的平均值。主集合的平均准确率(MAP)是每个主题的平均准确率的平均值。MAP 是反映系统在全部相关文档上性能的单值指标。系统检索出来的相关文档越靠前(rank 越高)，MAP就可能越高。如果系统没有返回相关文档，则准确率默认为0。 只有1和0，1代表相关，0代表不相关。 例如：假...
P@K,MAP,MRR以及NDCG相关计算公式
ywqdy的博客
12-29 3379
P@K,MAP,MRR以及NDCG相关计算公式 Precision@K（P@K): Average precision(AP) = average of P@K 上图中AP=1/3*（2/3+2/4+3/5） MAP计算公式为： +++++++++++++++ MRR: +++++++++++++++ NDCG相关计算： Cumulative Gain at rank n (CG): Discounted Cumulative Gain (DCG): （log2(1)=0所以rel1单独拎出来了）
python的 MAP, RPrec, MRR, NDCG, MRR@10 计算代码
Love-Coding
08-09 6110
import numpy as np def average_precision(gt, pred): """ Computes the average precision. This function computes the average prescision at k between two lists of items. Parameters ------...
【模型评价指标】python的 MAP, RPrec, MRR, NDCG, MRR@10 计算代码_机器学习
KaelCui的博客
07-27 1756
参考
排序算法常用评价指标计算方式（AUC,MAP,NDCG,MRR）
热门推荐
weixin_38405636的博客
06-13 2万+
现在的排序评估指标主要包括MAP、NDCG和AUC三个指标。NDCG考虑多指标，MAP和AUC考虑单个指标。1.AUC  最直观的，根据AUC这个名称，我们知道，计算出ROC曲线下面的面积，就是AUC的值。事实上，这也是在早期 Machine Learning文献中常见的AUC计算方法。由于我们的测试样本是有限的。我们得到的AUC曲线必然是一个阶梯状的。因此，计算的AUC也就是这些阶梯 下...
深度学习常用评价指标（Accuracy、Recall、Precision、HR、F1 score、MAP、MRR、NDCG）——推荐系统
记录知识，学习分享
04-11 1万+
1、准确率(Accuracy) 定义： 公式： 优缺点： 2、精确率(Precision) 3、召回率(Recall) 4、命中率(Hits Ratio) 5、平均精度均值(Mean average precision) 6、平均倒数排名(Mean Reciprocal Rank) 7、归一化折损累计增益(Normalized Discounted Cumulative Gain) ...
欧几里得距离算法-相似度
weixin_45609702的博客
12-04 195
本文介绍了一个计算欧几里得距离的Java方法。该方法接收两个Double数组作为输入，通过计算对应元素差值的平方和再开方，返回两个数组之间的欧几里得距离值。当输入数组长度不一致时，方法会返回0作为默认值。欧几里得距离算法常用于比较两个数组之间的相似度，是数据分析和机器学习中的基础距离度量方法。
练题100天——DAY21：统计奇数个数+合并有序数组
最新发布
2301_81099859的博客
12-07 252
今天写了两道题，难度，并更新了之前的DAY13的冒泡排序+二进制求和、DAY14全排列的思路。
Leetcode 68 搜索插入位置 | 寻找比目标字母大的最小字母
im_AMBER的博客
12-04 1034
你的错误逻辑正确逻辑找到 target 时返回 mid-1找到 target 时，继续向右查找（因为需要「大于」target 的最小字符）target <letters [mid] 时，mid 是候选，需保留，right=mid（左闭右开）或不立即排除 mid循环结束直接返回 letters [0]循环结束后，先判断 left 是否越界：越界则返回 letters [0]，否则返回 letters [left]初始right的取值与「越界判断」不匹配；
C++ ⼀级 2024 年 03 ⽉
weixin_46669997的博客
12-05 35
当 N 为9, 6, 3, 0时，满足条件 N % 3 == 0，因此它们被输出并跟随一个 #。要注意的是，字符串“a+1= ”最后有一个空格，因而输出的内容是：a+1= 2，答案为A。输入21，21%3的结果为0，进入if的分支，因而第4行代码可以被执行。19.【判断题】C++表达式 “10”*2 执行时将报错，因为 “10” 是字符串类型而2是整数类型，它们数据类型不同，不能在一起运算。Cout后面有两个<<，第1个输出字符串5%2=，第2个输出算术运算“5%2”的结果，为1，答案为D。
浅谈：快递物流与算法的相关性（五）
Duoya1105的博客
12-05 163
NP-C 的英文全称是 Non-deterministic Polynomial Complete，即多项式复杂程度的非确定性问题。简单的写法是NP=P？，问题就在这个问号上，到底有没有让NP=P的算法，或是如何证明NP≠P。启发式算法的思想是：在不断解决问题的过程中寻找解决问题的最优方案。再举一个通俗的例子：当我们用数字密码解锁手机时，如果我们不知道密码是多少，必须将所有的数字组合依次尝试。这听起来像是一句废话，如果将它抽象一点的表述，就是：能用电脑快速验证一个解的问题，是否也能够用电脑快速地求出解。
[优选算法专题十.哈希表 ——NO.55~57 两数之和、判定是否互为字符重排、存在重复元素]
2401_83386596的博客
12-03 688
两数之和问题的最优解法采用哈希表实现O(n)时间复杂度，通过存储元素值与下标的映射关系，快速查找互补值。字符重排判定问题通过单哈希数组统计字符出现次数，先加后减并实时校验，确保字符种类和数量完全一致。存在重复元素问题使用哈希集合检测重复元素，遍历数组时检查元素是否已存在于集合中。三种解法均利用哈希结构优化查找效率，将时间复杂度从暴力解法的O(n²)降至O(n)，是典型空间换时间策略的工业级实现。
简单多源BFS问题
MiauwYuki的博客
12-03 192
简单多源BFS问题
xtuoj Balls
2403_87130085的博客
12-04 292
对每个操作（交换第x和x-1Swapa[x]a[x-1]xx-1a[x-1]a[x]la。
【区块链技术（05）】区块链核心技术：哈希算法再区块链中的应用；区块哈希与默克尔树；公开密钥算法、编码和解码算法（BASE58、BASE64）
拔高、提升、创新！
12-06 747
以比特币中使用的二叉Merkle树为例 每条交易的哈希值就是一个叶子节点，从下往上将两个相邻叶子节点的组合哈希作为新的哈希值，新的哈希值成为树节点继续与相邻的树节点组合成新的哈希值。 在重复一定次数后直到形成唯一的根节点。 最后得到的Merkle根需要保存到区块头中，以便仅需通过区块头就可以对交易进行简单支付验证，这一过程也成为SPV（Simplified Payment Verification）。
力扣每日一题：统计梯形的数目
yyssas的博客
12-03 179
同时，由于这里只是统计有平行边的四边形，会出现平行四边形，因为两对边都是平行边，因此被统计了两次。对于平行四边形，要判断，就是通过两个对角线的中点是相同的。因此，只要对角线的中点是相同的，然后找所有不同k的边，就可以顺利统计出平行四边形的个数。此处，首先要先统计所谓平行的边，判断依据就是斜率相同且截距不同，因此，要统计平行的边组成的梯形的个数，就是找k相同，b不同的。因此，要用一个哈希表，外层存k，内存存b，这样才能实现遍历的时候正确统计平行边个数。个点在笛卡尔平面上的坐标。给你一个二维整数数组。
MRR、MAP、NDCG代码
03-27
由于MRR、MAP和NDCG都是评估指标，需要根据具体的任务和数据集进行实现。以下是一些常见任务的评估指标实现示例： 1. 信息检索任务中的MRR实现： ```python def mean_reciprocal_rank(results, relevant_docs): for i, r in enumerate(results): if r in relevant_docs: return 1.0 / (i + 1) return 0.0 # 示例 relevant_docs = [1, 3, 5] results = [3, 4, 2, 1, 5] print(mean_reciprocal_rank(results, relevant_docs)) # 输出 0.3333 ``` 2. 信息检索任务中的MAP实现： ```python def average_precision(results, relevant_docs): precision = 0.0 num_relevant = 0 for i, r in enumerate(results): if r in relevant_docs: num_relevant += 1 precision += num_relevant / (i + 1) return precision / len(relevant_docs) def mean_average_precision(results_list, relevant_docs_list): map_score = 0.0 for results, relevant_docs in zip(results_list, relevant_docs_list): map_score += average_precision(results, relevant_docs) return map_score / len(results_list) # 示例 relevant_docs_list = [[1, 3, 5], [2, 4, 6], [3, 5, 7]] results_list = [[3, 4, 2, 1, 5], [3, 2, 4, 5, 1], [7, 6, 5, 4, 3]] print(mean_average_precision(results_list, relevant_docs_list)) # 输出 0.5 ``` 3. 推荐系统任务中的NDCG实现： ```python import numpy as np def ndcg(recommended_items, relevant_items, k): dcg = 0.0 idcg = np.sum(1.0 / np.log2(np.arange(2, k + 2))) for i, r in enumerate(recommended_items[:k]): if r in relevant_items: dcg += 1.0 / np.log2(i + 2) return dcg / idcg # 示例 recommended_items = [1, 2, 3, 4, 5] relevant_items = [1, 3, 5] print(ndcg(recommended_items, relevant_items, 5)) # 输出 0.6244 ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值