Régler sans vous tromper vous-même
- Leçon 16
- 35 min
- Module 5 : La factorisation matricielle pour la rétroaction implicite
Où nous en sommes
ALS et BPR ont des paramètres qui changent leurs scores. Vous pouvez facilement les régler sur la période de test par erreur. Dans cette leçon, nous réglons sur la période de validation, testons une seule fois et comparons aux références de base par segment.
Leçon 16 sur 29 · Recommandation et personnalisation : montrer à chacun ce qui compteRégler sans vous tromper vous-même
1. Le problème de la recommandation
2. Les données, la rétroaction implicite et un découpage honnête
3. Mesurer les recommandations hors ligne
4. Les voisins et le filtrage collaboratif
5. La factorisation matricielle pour la rétroaction implicite
6. Le contenu, les hybrides et le démarrage à froid
7. Deux étapes : les candidats et le classement
8. Des scores hors ligne au vrai magasin
9. L'exploiter en production
Ce que vous saurez faire
Choisissez les paramètres d’ALS et de BPR sans vous tromper vous-même. Réglez sur la période de validation, puis testez une seule fois le réglage choisi sur la période de test. Comparez-le ensuite aux références de base et au filtrage collaboratif article-article, segment par segment.
Carnet JupyterFaites cette leçon dans un carnet Jupyter
Le carnet (notebook) Jupyter montre d’abord, avec une petite simulation, pourquoi le meilleur de nombreux essais paraît trop bon. Il règle ensuite ALS sur la période de validation avec quatre réglages. Vous testez une seule fois celui qui est choisi. Ses cellules de préparation téléchargent environ 8 Mo de données d’exercice et installent implicit. Environ 20 minutes.
Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- ALS, BPR et leurs paramètres, présentés dans ALS et BPR avec implicit.
- Les périodes de validation et de test, présentées dans Découper selon le temps.
- Les différences appariées par segment avec
recs compare, présentées dans Évaluer par segment.
Ce qu’il vous faut sur votre ordinateur (seulement pour les étapes du projet)
- Votre projet
larkfield-recsavecmf.pyet implicit, de la dernière leçon.recs evaluate alsaffiche un rappel à 10 (recall@10) de0.142. - Les fichiers d’exercice dans
../nextia-learning-labs, à côté du dossier du projet.
Testé sur macOS avec Python 3.12. Les commandes Windows (PowerShell) n’ont pas été exécutées.
Les tests d’exercice et l’examen final
Section intitulée « Les tests d’exercice et l’examen final »Une enseignante prépare une classe à un examen final. Les élèves font des tests d’exercice. Après chaque test, l’enseignante modifie un peu les leçons : plus de temps sur les fractions, moins sur les graphiques. Les notes aux exercices augmentent.
Imaginez maintenant que les tests d’exercice utilisent les questions de l’examen final. Les notes augmenteraient vite. Les élèves apprennent ces questions précises. Le jour de l’examen, la classe obtient une excellente note. La direction croit donc que l’enseignement est excellent. L’année suivante, avec de nouvelles questions, les notes baissent. L’excellente note mesurait la connaissance des questions, pas la qualité de l’enseignement.
Le réglage d’un système de recommandation présente le même piège. Vous essayez de nombreux réglages et gardez celui qui obtient le meilleur score. Si vous les évaluez sur la période de test, celle-ci cesse d’être un examen équitable.
Le problème : Tomás règle sur la période de test
Section intitulée « Le problème : Tomás règle sur la période de test »Tomás veut qu’ALS dépasse trending. Il essaie les 18 réglages que vous essaierez dans cette leçon. Il évalue chacun sur la période de test. Le meilleur obtient un recall@10 de 0,155, avec 32 nombres par vecteur, une régularisation de 0,1 et un alpha de 2. Trending obtient 0,157. « ALS est à égalité avec trending », dit-il.
Mais il a choisi ce réglage parce qu’il avait le meilleur score de test. Une partie du score reflète une capacité réelle, et une autre, la chance. Ce réglage a fait de bonnes prédictions pour quelques clients par hasard. Le résultat de test n’indique plus comment le réglage se comportera pendant de nouvelles semaines.
Nous avons fait cette erreur exprès pour la mesurer (une nouvelle exécution, consignée avec les exécutions du cours). Les 18 réglages obtiennent des scores entre 0,137 et 0,155 sur la période de test. La démarche honnête, que vous suivez ci-dessous, choisit un autre réglage sur la période de validation. Ce réglage obtient 0,149 sur la période de test. Le résultat de Tomás est trop élevé. Sa conclusion « ALS est à égalité avec trending » n’est pas appuyée.
Quelle part peut venir de la chance? Une petite simulation
Section intitulée « Quelle part peut venir de la chance? Une petite simulation »Le carnet rend cet effet visible avec un cas construit. Prenez 18 réglages tous aussi bons : chacun a un rappel réel de 0,150. Chaque mesure sur environ 2 000 clients ajoute du hasard. Les intervalles bootstrap des dernières leçons ont une largeur d’environ ±0,015. Nous ajoutons donc du hasard avec un écart-type de 0,007.
| Rappel | |
|---|---|
| Rappel réel de chaque réglage | 0,150 |
| Meilleur des 18 à la première mesure | 0,160 |
| Le même « meilleur » réglage, mesuré de nouveau sur de nouveaux clients | 0,151 |
| Moyenne du meilleur des 18, sur 1 000 répétitions de l’expérience | 0,163 |
Aucun des 18 réglages n’est meilleur que les autres. Pourtant, le gagnant de la première mesure paraît meilleur de 0,010. Mesuré de nouveau, il retombe à 0,151. Cet effet a un nom : la malédiction du gagnant. Quand vous choisissez le meilleur de nombreux résultats bruités, le résultat choisi est généralement trop élevé.
L’idée : choisir sur une période, présenter le résultat sur une autre
Section intitulée « L’idée : choisir sur une période, présenter le résultat sur une autre »La solution consiste à garder deux périodes séparées :
- La période de validation (du 8 au 21 juin 2026) sert à choisir. Essayez-y autant de réglages que vous voulez.
- La période de test (du 22 juin au 5 juillet 2026) sert à présenter le résultat. Évaluez le réglage choisi une seule fois, puis présentez ce résultat, quel qu’il soit.
Les paramètres que vous choisissez, plutôt que ceux que le modèle apprend des données, s’appellent des hyperparamètres. Ce sont les facteurs, la régularisation, alpha, les itérations et le taux d’apprentissage. Le cours d’apprentissage automatique explique la même règle dans Données d’entraînement, de validation et de test et Régler les hyperparamètres. Ici, les ensembles de données sont des périodes.
Description textuelle du diagramme
Deux groupes d’encadrés. Le premier groupe montre le réglage, avec 18 réglages et de nombreuses exécutions. Le modèle apprend de chaque événement avant le 8 juin 2026. Il est ensuite évalué sur la période de validation, du 8 au 21 juin, et on garde le meilleur réglage. Une flèche portant l’étiquette « seulement le réglage choisi » mène au deuxième groupe : le test final, avec une exécution. Le modèle apprend de nouveau de chaque événement avant le 22 juin 2026, en incluant les semaines de validation. Il est ensuite évalué une seule fois sur la période de test, du 22 juin au 5 juillet. Ce dernier encadré a une bordure épaisse : présentez ce résultat.
Remarquez le deuxième entraînement. Pour le test final, le modèle apprend de nouveau de chaque événement avant le 22 juin. Les deux semaines de validation sont les données les plus récentes, et un vrai magasin les utiliserait. Le réglage reste fixe; seules les données augmentent.
Exercice guidé : régler ALS dans votre projet
Section intitulée « Exercice guidé : régler ALS dans votre projet »Le projet propose une commande pour cela : recs tune. Elle exécute toutes les combinaisons des valeurs fournies, toujours sur la période de validation. Elle n’offre aucune option pour régler sur la période de test.
-
Copiez la commande et les tests de ce module :
Fenêtre de terminal S=../nextia-learning-labs/C37/snapshots/end-of-m05cp $S/larkfield_recs/commands/tune.py larkfield_recs/commands/cp $S/tests/test_m05.py tests/Fenêtre de terminal $S = "..\nextia-learning-labs\C37\snapshots\end-of-m05"Copy-Item "$S\larkfield_recs\commands\tune.py" larkfield_recs\commands\Copy-Item "$S\tests\test_m05.py" tests\ -
Exécutez les tests avec
python -m pytest -q. Vous voyez20 passed(20 tests réussis). Un nouveau test vérifie querecs tuneutilise seulement la période de validation. -
Réglez ALS : 3 valeurs de facteurs × 2 de régularisation × 3 d’alpha = 18 réglages. Cela prend environ une minute.
Fenêtre de terminal recs tune als --grid factors=32,64,128 --grid regularization=0.01,0.1 --grid alpha=1,2,5{"factors": 32, "regularization": 0.01, "alpha": 1} recall@10 0.166 NDCG@10 0.101 fit 1.0 s{"factors": 32, "regularization": 0.01, "alpha": 2} recall@10 0.161 NDCG@10 0.098 fit 0.8 s{"factors": 32, "regularization": 0.01, "alpha": 5} recall@10 0.156 NDCG@10 0.094 fit 0.8 s{"factors": 32, "regularization": 0.1, "alpha": 1} recall@10 0.169 NDCG@10 0.103 fit 1.0 s{"factors": 32, "regularization": 0.1, "alpha": 2} recall@10 0.162 NDCG@10 0.098 fit 0.8 s{"factors": 32, "regularization": 0.1, "alpha": 5} recall@10 0.155 NDCG@10 0.094 fit 0.8 s{"factors": 64, "regularization": 0.01, "alpha": 1} recall@10 0.153 NDCG@10 0.097 fit 3.8 s{"factors": 64, "regularization": 0.01, "alpha": 2} recall@10 0.155 NDCG@10 0.096 fit 3.6 s{"factors": 64, "regularization": 0.01, "alpha": 5} recall@10 0.147 NDCG@10 0.091 fit 3.6 s{"factors": 64, "regularization": 0.1, "alpha": 1} recall@10 0.151 NDCG@10 0.096 fit 3.8 s{"factors": 64, "regularization": 0.1, "alpha": 2} recall@10 0.155 NDCG@10 0.096 fit 3.6 s{"factors": 64, "regularization": 0.1, "alpha": 5} recall@10 0.148 NDCG@10 0.091 fit 3.6 s{"factors": 128, "regularization": 0.01, "alpha": 1} recall@10 0.154 NDCG@10 0.095 fit 6.3 s{"factors": 128, "regularization": 0.01, "alpha": 2} recall@10 0.152 NDCG@10 0.094 fit 6.4 s{"factors": 128, "regularization": 0.01, "alpha": 5} recall@10 0.151 NDCG@10 0.093 fit 6.4 s{"factors": 128, "regularization": 0.1, "alpha": 1} recall@10 0.154 NDCG@10 0.095 fit 6.1 s{"factors": 128, "regularization": 0.1, "alpha": 2} recall@10 0.153 NDCG@10 0.094 fit 6.3 s{"factors": 128, "regularization": 0.1, "alpha": 5} recall@10 0.152 NDCG@10 0.093 fit 6.4 sBest on validation: {"factors": 32, "regularization": 0.1, "alpha": 1} (recall@10 0.169); saved to outputs/best-als.jsonNow test it once: recs evaluate als --set factors=32 --set regularization=0.1 --set alpha=1 -
Testez le réglage choisi une seule fois, par segment :
Fenêtre de terminal recs evaluate als --set factors=32 --set regularization=0.1 --set alpha=1 --by segmentMethod als (matrix factorisation, alternating least squares (implicit)), test period, settings {'factors': 32, 'regularization': 0.1, 'alpha': 1}Customers scored: 2,118; trained on events before 2026-06-22recall@10 0.149 (95% interval 0.135 to 0.164), NDCG@10 0.097, MAP@10 0.072, precision@10 0.023, hit rate 19.6%coverage 16.5% of the products on sale, novelty 5.70 bits, diversity 0.81, new products in the lists 10.0%time: fit 1.1 s, suggestions 0.1 ssegment customers recall@10 NDCG@10 95% interval (recall)new 952 0.154 0.101 0.132 to 0.175occasional 556 0.140 0.086 0.115 to 0.167loyal 610 0.150 0.100 0.126 to 0.176new products: 647 orders of new products in the period; recall@10 on them 0.131 -
Votre projet correspond maintenant à l’instantané
end-of-m05. Seul sonREADME.mddiffère.
Pour un premier essai avec une nouvelle grille, ajoutez --quick. La commande évalue 1 000 clients de validation plutôt que tous les clients. recs tune als --grid factors=32,64 --grid alpha=1,2 --quick a pris 9 secondes et a choisi le même réglage.
Lire la grille
Section intitulée « Lire la grille »Le graphique montre le rappel de validation des six réglages avec une régularisation de 0,1. Les six réglages avec 0,01 donnent presque les mêmes résultats.
- alpha 1
- alpha 2
- alpha 5
Description textuelle du graphique
Trois lignes, une par alpha, pour 32, 64 et 128 facteurs. Alpha 1 : 0,169; 0,151; 0,154. Alpha 2 : 0,162; 0,155; 0,153. Alpha 5 : 0,155; 0,147; 0,152. Le point le plus élevé correspond à 32 facteurs avec un alpha de 1. Son rappel est de 0,169 : c’est le réglage choisi.
Deux leçons à tirer de la grille :
- Plus de nombres par vecteur ne donnent pas de meilleurs résultats ici. 32 dépasse 64 et 128 pour chaque alpha. La plupart des clients de Larkfield ont très peu d’événements. Plus de nombres permettent au modèle de s’ajuster au bruit de ces quelques événements. Moins de nombres rendent aussi l’entraînement trois à six fois plus rapide.
- Un alpha faible est préférable. Accorder plus de confiance aux cellules remplies (alpha 5) réduit le rappel, comme alpha 20 dans votre dernière tâche.
Lire le résultat de test
Section intitulée « Lire le résultat de test »| ALS | Recall@10 de validation | Recall@10 de test |
|---|---|---|
| Paramètres par défaut (64, 0,05, 2) | 0,155 | 0,142 |
| Choisi sur la validation (32, 0,1, 1) | 0,169 | 0,149 (de 0,135 à 0,164) |
| Pour comparer : trending (non réglé) | 0,152 | 0,157 |
Le réglage choisi est passé de 0,169 sur la validation à 0,149 sur le test. Deux raisons s’additionnent. D’abord, la malédiction du gagnant : c’était le meilleur de 18 réglages. Ensuite, les deux périodes couvrent des semaines différentes. ALS par défaut baisse aussi (de 0,155 à 0,142), tandis que trending augmente (de 0,152 à 0,156). Les semaines de fin juin sont plus difficiles pour ALS. Elles sont plus faciles pour une liste qui suit la saison.
Le réglage a aidé un peu : 0,149 contre 0,142 pour les paramètres par défaut. Sur les mêmes clients, recs compare donne +0,007 (de −0,001 à +0,015) : la différence n’est pas claire. Le réglage a aussi réduit la couverture de moitié, de 33,0 % à 16,5 %. Les listes réglées montrent moins de produits différents.
Et BPR? Nous l’avons réglé de la même façon : 6 réglages de facteurs et de taux d’apprentissage. Le meilleur sur la validation (64 facteurs, taux d’apprentissage de 0,01) avait un rappel de validation de 0,117. Sur la période de test, il a obtenu 0,106, un peu sous les 0,109 des paramètres par défaut. Le réglage n’aide pas toujours. Vous présentez tout de même le résultat : c’est ce qui rend la période de test digne de confiance.
À vous de jouer : ALS réglé dépasse-t-il article-article, segment par segment?
Section intitulée « À vous de jouer : ALS réglé dépasse-t-il article-article, segment par segment? »C’est la question du module. Dans le module 4, item-cf était faible pour les clients occasionnels et fidèles. ALS réglé fait-il clairement mieux pour chaque segment?
Avant de l’exécuter, faites une prédiction : dans quel segment le gain sera-t-il le plus grand? Y a-t-il un segment où la différence ne sera pas claire?
Les noms des exécutions contiennent les paramètres en ordre alphabétique. Mettez donc le nom entre guillemets :
recs compare item-cf "als[alpha=1,factors=32,regularization=0.1]" --by segmentAfficher la réponse
recall@10: item-cf 0.088, als[alpha=1,factors=32,regularization=0.1] 0.149difference +0.061 (95% interval +0.051 to +0.073); better for 210 customers, worse for 48, the same for 1,860The difference is clear: the interval does not include 0.coverage 53.2% -> 16.5%; novelty 6.45 -> 5.70 new 952 customers +0.027 (+0.016 to +0.039) occasional 556 customers +0.095 (+0.068 to +0.124) loyal 610 customers +0.083 (+0.060 to +0.105)Oui, dans chaque segment, et chaque intervalle est au-dessus de 0. Le gain est le plus grand pour les clients occasionnels : 0,140 contre 0,045, soit trois fois plus. Leurs une ou deux anciennes commandes orientent item-cf vers des alternatives dont ils n’ont plus besoin, comme le montrait le module 4. ALS les situe selon leurs goûts, qui correspondent aussi à ce qu’ils achètent ensuite. Pour les nouveaux clients, le gain est faible (+0,027). Ils ont seulement des consultations, donc les deux méthodes savent peu de choses sur eux.
Comparer à la référence de base à dépasser
Section intitulée « Comparer à la référence de base à dépasser »Dépasser item-cf ne suffit pas. La référence de base à dépasser est trending. Le prochain graphique montre le recall@10 par segment pour trending, ALS réglé et item-cf, avec leurs intervalles.
Description textuelle du graphique
Trois panneaux, un par segment, avec trois lignes chacun. Nouveaux clients (952) : trending 0,169 (0,147 à 0,192), ALS réglé 0,154 (0,132 à 0,175), item-cf 0,127 (0,107 à 0,148). Clients occasionnels (556) : trending 0,162 (0,134 à 0,190), ALS réglé 0,140 (0,115 à 0,167), item-cf 0,045 (0,030 à 0,061). Clients fidèles (610) : trending 0,132 (0,111 à 0,157), ALS réglé 0,150 (0,126 à 0,176), item-cf 0,067 (0,050 à 0,086).
Sur les mêmes clients :
recs compare trending "als[alpha=1,factors=32,regularization=0.1]" --by segmentrecall@10: trending 0.156, als[alpha=1,factors=32,regularization=0.1] 0.149difference -0.007 (95% interval -0.022 to +0.009); better for 221 customers, worse for 246, the same for 1,651The difference is not clear: the interval includes 0.coverage 0.3% -> 16.5%; novelty 5.10 -> 5.70 new 952 customers -0.015 (-0.033 to +0.002) occasional 556 customers -0.022 (-0.061 to +0.017) loyal 610 customers +0.018 (-0.016 to +0.051)Donc, clairement : ALS réglé (0,149) reste sous trending (0,156) sur la période de test de Larkfield. La différence n’est claire ni pour l’ensemble des clients ni pour aucun segment. ALS est un peu meilleur pour les clients fidèles et un peu moins bon pour les autres. Aucune de ces différences n’est claire. Après tout un module, la meilleure méthode personnalisée utilisée seule est à égalité avec une liste des meilleurs vendeurs du mois dernier.
Ce n’est pas un échec de la leçon. C’est un résultat courant dans les vrais magasins. Une référence de base non personnalisée solide est difficile à dépasser avec une seule méthode personnalisée. ALS apporte toutefois quelque chose que trending n’apporte pas. Ses listes diffèrent entre les clients (couverture de 16,5 % contre 0,3 %) et suivent les goûts de chacun. Les prochains modules utilisent cela. Le module 6 combine les méthodes. Le module 7 laisse un modèle de classement apprendre quand faire confiance à chacune.
Quand régler, et à quel coût
Section intitulée « Quand régler, et à quel coût »Réglez quand une méthode a des paramètres qui changent son résultat, ce qui est presque toujours le cas. Choisissez la grille et la mesure avant de regarder un résultat de test.
Règles pour rester honnête :
- Choisissez sur la période de validation. Évaluez une seule fois sur la période de test, pour le réglage final.
- Présentez le résultat de test même s’il est décevant, comme pour BPR ici.
- Si vous modifiez la grille après un résultat de test, cette période ne peut plus servir de test pour cette décision. En pratique, gardez une période ultérieure cachée, comme dans le travail final du cours.
Le coût : chaque réglage correspond à un entraînement. Les 18 réglages d’ALS ont pris environ une minute sur notre portable (un fil d’exécution). La grille grandit vite : ajoutez 3 valeurs d’itérations, et 18 devient 54. Commencez avec --quick et une petite grille, puis affinez autour de la meilleure valeur.
Erreurs courantes
Section intitulée « Erreurs courantes »Erreur courante
« no matches found » (aucune correspondance trouvée) dans zsh
Symptôme : sur macOS, recs compare item-cf als[alpha=1,factors=32,regularization=0.1] s’arrête avant de s’exécuter :
zsh: no matches found: als[alpha=1,factors=32,regularization=0.1]Cause : zsh, l’interpréteur de commandes par défaut sur macOS, lit les crochets comme un motif de fichiers.
Solution : mettez le nom de l’exécution entre guillemets : "als[alpha=1,factors=32,regularization=0.1]". Les guillemets fonctionnent aussi dans bash et PowerShell.
Erreur courante
« No saved run » (aucune exécution enregistrée) pour une méthode réglée
Symptôme : recs compare item-cf "als[factors=32,regularization=0.1,alpha=1]" s’arrête avec :
No saved run als[factors=32,regularization=0.1,alpha=1]-test. Run first: recs evaluate als --set factors=32 --set regularization=0.1 --set alpha=1Cause : le projet enregistre une exécution avec ses paramètres en ordre alphabétique : alpha, factors, regularization.
Solution : écrivez les paramètres dans cet ordre, ou cherchez le nom exact dans outputs/runs/.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Tomás a essayé 18 réglages sur la période de test et rapporte le meilleur résultat, 0,155. Priya a choisi sur la période de validation et rapporte 0,149 sur la période de test. Quel résultat Omar devrait-il utiliser pour décider, et pourquoi?
Afficher la réponse
Celui de Priya. Tomás a choisi son réglage parce qu’il avait le meilleur score de test. Son résultat de 0,155 inclut donc la chance d’être le meilleur parmi 18 : la malédiction du gagnant. Priya a choisi sur la période de validation et évalué la période de test une seule fois. Son résultat de 0,149 estime donc la performance du réglage sur des semaines qu’il n’a pas vues. Dans la simulation, le meilleur parmi 18 réglages équivalents semblait trop bon d’environ 0,013 en moyenne.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
ALS réglé a un rappel de validation de 0,169 et un rappel de test de 0,149. Donnez deux raisons pour cette baisse. Comment les méthodes non réglées vous aident-elles à les distinguer?
Afficher la réponse
Premièrement, la malédiction du gagnant : 0,169 est le meilleur résultat parmi 18, donc il est probablement trop élevé. Deuxièmement, les périodes diffèrent : les semaines de test sont d’autres semaines, avec d’autres clients et une saison plus tardive. Les méthodes non réglées montrent le deuxième effet sans le premier. ALS par défaut baisse aussi (de 0,155 à 0,142), et trending augmente (de 0,152 à 0,156). La période de test est donc plus difficile pour ALS de toute façon. Une partie de la baisse n’a rien à voir avec le réglage.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Recommandez une méthode pour la page d'accueil des clients fidèles parmi les méthodes vues jusqu'ici. Présentez les preuves.
Afficher la réponse
Pour les clients fidèles (610 clients de test), le rappel à 10 (recall@10) est le suivant : popular-category 0,164 (de 0,139 à 0,192), ALS réglé 0,150 (de 0,126 à 0,176), user-user 0,147, trending 0,132, item-cf 0,067. ALS réglé est clairement meilleur que item-cf (+0,083, de +0,060 à +0,105). Mais il ne diffère pas clairement de popular-category (−0,014, de −0,036 à +0,007) ou de trending (+0,018, de −0,016 à +0,051). Une réponse solide : popular-category ou ALS réglé, en précisant que les données ne permettent pas de les départager. Popular-category est plus simple et a le résultat le plus élevé. ALS réglé donne des listes plus variées et plus personnelles (couverture de 16,5 % contre 6,7 %). Quel que soit votre choix, précisez que la différence n’est pas claire sur 610 clients.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- Si vous choisissez les réglages sur la période de test, le résultat de test est trop élevé : la malédiction du gagnant. Le meilleur résultat de Tomás parmi 18 sur la période de test était de 0,155; le résultat honnête est de 0,149.
- Choisissez les hyperparamètres sur la période de validation. Ensuite, entraînez de nouveau en incluant les semaines de validation et évaluez la période de test une seule fois.
recs tune als --grid ...a essayé 18 réglages en environ une minute. Le gagnant : 32 facteurs, régularisation de 0,1, alpha de 1, avec un rappel de validation de 0,169. Sur la période de test : 0,149 (de 0,135 à 0,164), contre 0,142 avec les réglages par défaut.- BPR réglé a obtenu 0,106, sous son résultat par défaut de 0,109. Rapportez-le quand même.
- ALS réglé bat clairement item-cf dans chaque segment : nouveaux +0,027, occasionnels +0,095, fidèles +0,083.
- ALS réglé reste sous trending (0,156) sur la période de test de Larkfield. La différence (−0,007) n’est claire dans aucun segment.
- Votre projet correspond maintenant à la fin du module 5.
Toutes les méthodes vues jusqu’ici ont besoin d’un historique. Un produit sans événement n’obtient aucun vecteur. Ensuite, vous décrirez plutôt les produits par leur texte, pour pouvoir suggérer même un tout nouveau produit.
Leçon suivante : Recommandations par le contenu