패스트캠퍼스 환급챌린지 6일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://abit.ly/lisbva

공부 시작

강의 종료

수강 인증

학습 인증샷

강의 후기

ch02-08. Matrix Factorization(MF)

신규 유저에 대한 추천이 어려움

콜드 스타트 문제 있음

유저-아이템 데이터가 충분해야함

 

트리기반 회귀 모델의 한계

과적합 위험

피처 엔지니어링 성능이 크게 요구됨

 

ch02-09. 정확도 지표

 

추천시스템의 정확도 지표는

예측의 정확도 뿐만 아니라 몇번째 추천인지에 대한 순서도 중요하다.

 

[Q1] 유저의 실제 선호(클릭/구매/평점 등)를 예측하고 싶은가?
│
├── Yes → [Q2]
│         유저가 아이템을 **얼마나 좋아할지의 정도(연속값)** 를 예측하고 싶은가?
│         │
│         ├── Yes → RMSE, MAE (예: 평점 예측)
│         └── No  → [Q3]
│                  아이템의 **선호 유무(이진)** 를 예측하고 싶은가?
│                  │
│                  ├── Yes → Log Loss, AUC (예: 클릭 예측, 구매 여부)
│                  └── No  → Precision@K, Recall@K, F1@K (Top-K 추천 적중률)
│
└── No → [Q4]
          추천 순위의 품질을 측정하고 싶은가?
          │
          ├── Yes → [Q5]
          │         상위에 실제 선호 아이템이 배치되는지를 평가하고 싶은가?
          │         │
          │         ├── Yes → NDCG@K, MAP@K
          │         └── No  → Hit Ratio@K (단순 적중 여부)
          │
          └── No → [Q6]
                    다양한 아이템이 추천되었는지를 평가하고 싶은가?
                    │
                    ├── Yes → Coverage, Diversity, Novelty
                    └── No  → 사용자 만족도 기반 A/B 테스트 등 오프라인 외 지표

 

목적주요 지표

평점 예측	RMSE, MAE
클릭/구매 예측	AUC, Log Loss
Top-K 추천의 적중	Precision@K, Recall@K, F1@K
추천 순위 품질	NDCG@K, MAP@K
다양성과 범위	Coverage, Diversity, Novelty
실사용 만족도	CTR, Conversion Rate, 사용자 설문 등

 

 

ch-02-10. 기타 평가 지표

Serendipity 의도적으로 찾지 않았음에도 뭔가 새로운 좋은 것을 발견하는 일

한 아이템의 예측된 점수와 인기도의 점수를 비교