I am working on movielens 100K movie data for recommendation system. I divide the data into test and training and calculate the precision and recall. In testing there are more than 10K users chosen randomly. I am able to find the precision and recall for an individual user.
I wanted to know: Is there any practical importance to the aggregated precision and recall?
您将看到学术论文中报告的 Precision/Recall 结果是一个汇总，而不是 10,000 个不同的 P/R 结果。在这方面，它使读者对 RS 性能有一个非常普遍的认识。通常，您会看到以曲线表示的 Precision/Recall（如此处所示：http ://www.cs.washington.edu/ai/mln/images/image001.png ）。您往往会看到，在 Recall = 1 时，Precision 较低，而在 Precision = 1 时，Recall 较低。您可以根据 10,000 个结果在 Excel 或 Google 表格中轻松创建其中一条曲线。
正如评论中提到的，F-measure 是一种组合 P/R 以生成平均值的方法，尽管在“吹嘘”它之前，您需要了解 F 测量的局限性。根据您的应用领域，为精度或召回率证明某种权重的情况并不少见，因此请注意基本的 F 度量是平衡的（精度和召回率都被视为同等重要）。
Receiver Operator Characteristic ( https://en.wikipedia.org/wiki/Receiver_operating_characteristic ) 也常用于侧边 P/R 曲线和推荐系统评估中的 f-measure。如果您正在寻找额外的信用，那么我建议您使用多种方法来评估 RS 性能，例如 P/R 曲线、F 度量、AUC 和 ROC。
