Proiect recomandări (5/6): evaluarea
Ai trei sisteme de recomandare: popularitate, vecini și factorizare. Care este cel mai bun? Ca la orice model ML, răspunsul vine din date pe care modelul nu le-a văzut. Aici le obții ascunzând o parte din note, apoi măsori cât de aproape sunt notele prezise (RMSE) și cât de des recomandările sunt cărți apreciate cu adevărat (precision@k).
Train și test pentru recomandări
La recomandări nu împarți rânduri, ci celule: alegi aleator 20% dintre notele existente, le ștergi din matricea de antrenare și le păstrezi deoparte. Modelele învață doar din notele rămase și trebuie să le ghicească pe cele ascunse.
import numpy as np
import pandas as pd
df = pd.read_csv("evaluari.csv")
matrice = df.pivot_table(index="utilizator", columns="carte", values="nota")
R = matrice.values Compară cele trei metode pe notele ascunse. Funcțiile popularitate, vecini și factorizare sunt gata. Scrie rmse(P) și precision_la_k(P, k=3) și afișează un tabel metodă → RMSE, precision@3, sortat după RMSE.
- rmse(P): diferențele P[i, j] - R[i, j] pentru toate perechile din ascunse, apoi rădăcina mediei pătratelor.
- precision_la_k(P, k=3): pentru fiecare utilizator cu cărți ascunse apreciate (nota ≥ 4), recomandă primele k cărți fără notă în R_train, numără nimeririle și împarte la numărul de recomandări.
- Construiește un DataFrame cu coloanele metoda, RMSE, precision@3 (rotunjite la 3 zecimale) pentru cele 3 metode.
- Sortează după RMSE crescător și afișează-l cu to_string(index=False).
Restul explicațiilor, editorul și verificarea automată se deblochează cu Junior ML Engineer.

Iulian Pahom
Catalina Ioana Dan
Laura Chiriazi