성능평가를 위해 사용자가 입력한 제품과 추천된 제품 간의 유사도를 측정하고 평가
1.
Precision@k: 이미 이전에 언급한 것처럼, Precision@k는 상위 k개의 추천 중에서 실제로 사용자가 관심을 가질 것으로 예상되는 항목의 비율을 측정
코드 내에서 사용자의 입력에 대한 추천을 생성한 후, Precision@k 값을 계산하여 모델의 성능을 측정
2.
Recall@k: Recall@k은 상위 k개의 추천 중에서 실제 관련 있는 항목을 얼마나 잘 찾았는지를 측정. 높은 Recall@k 값은 놓치는 항목이 적다는 것을 의미합니다.
성능을 높이기 위해서 Threshold값을 조정해서 precision@k와 recall@k의 값이 제일 높은지점을 찾음
어떤 값에 더 비중을 두어야 하는지 ?
1)precission이 중요: 생리대 추천 시스템의 목표가 정확한 추천을 강조하는 경우(예: 사용자에게 정확한 성분과 일치하는 생리대를 추천하는 경우), 높은 precission값을 필요로 함
2) 실제 관심 아이템을 놓치지 않아야 하는 경우(예: 사용자가 특정 성분을 피하고자 하는 경우), 높은 Recall 값이 중요함