一种快速的基于数字的信息检索和推荐排序指标的实现。
rankerEval的Python项目详细描述
找到完整的documentation here。在
一种基于numpy的快速信息检索与推荐排序方法的实现。 编码时考虑了效率和对边缘情况的支持。在
特点
- 信息检索和top-N推荐系统的大量评估指标
- 灵活的输入格式:支持屏蔽数组和稀疏矩阵
- 通过引导功能内置对置信区间的支持
- 最小依赖项:Numpy(必需),SciPy(可选)
使用
fromrankerevalimportBinaryLabels,Rankings,Recally_true=BinaryLabels.from_positive_indices([[0,2],[0,1,2]])y_pred=Rankings.from_ranked_indices([[2,1],[1]])recall_at_3=Recall(3).mean(y_true,y_pred)print(recall_at_3["score"])
要获得置信区间(默认为95%),请指定conf_interval=True:
^{pr2}$输入格式
RankerEval允许多种输入格式,例如
# specify positive indices onlyy_true=BinaryLabels.from_dense([[1,0,1],[1,1,1]])# or use sparse matriximportscipy.sparseasspy_true=BinaryLabels.from_sparse(sp.coo_matrix([[1,0,1],[1,1,1]]))
安装
要安装(需要Numpy 1.18或更高版本):
pip install rankereval
许可证
此项目在MIT下获得许可。在
贡献
这个项目欢迎大家的贡献和建议。大多数投稿需要你同意 贡献者许可协议(CLA)声明您有权并实际上授予我们 使用你的贡献的权利。有关详细信息,请访问https://cla.opensource.microsoft.com。在
当你需要自动提交一个请求时,CLA是否会自动提供一个请求 一个CLA并适当地装饰PR(例如状态检查、评论)。只需按照说明操作即可 由bot提供。您只需使用我们的CLA在所有回购中执行一次。在
这个项目采用了Microsoft Open Source Code of Conduct。 有关详细信息,请参阅Code of Conduct FAQ或 联系人opencode@microsoft.com<;mailto:opencode@microsoft.com>;有任何其他问题或意见。在
- 项目
标签: