《表4 两种推荐算法的准确率与F1》
提示：宽带有限、当前游客访问压缩模式
本节利用餐馆数据集进行试验测试。设置邻居的初始数量为5，每次以10个邻居项目为间隔递增，推荐列表长度为10，这两种算法的Precision和F1如表4所示。
| 图表编号 | XD0040067200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.02.20 |
| 作者 | 钱春琳、张兴芳、孙丽华 |
| 绘制单位 | 河海大学企业管理学院、天津大学管理与经济学部、聊城大学数学科学学院、天津大学管理与经济学部 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 不同参考文献结构的F1值和准确率》2021.03.01
- 《表4 不同推荐方法的F1@K性能比较》2021.02.01
- 《表3 不同分类算法在不平衡数据集上的分类准确率、F1-measure值、G-mean值对比》2021.01.10
- 《表9 Cap SA在两种数据集上不同迭代轮数的F1与正确率》2021.02.01
- 《表2 各算法的准确率、召回率和F1-Score评价对比》2020.08.10
- 《表4 两种算法选择策略和分类准确率比较》2020.12.01
- 《表1 各算法在不同推荐数下的准确率》2020.12.05
- 《表2 最佳F1值下的准确率与召回率》2020.07.15
- 《表1 两种实验环境下的算法准确率对比表》2020.03.15
- 《表1 两种模型比较结果：基于协同过滤算法的音乐推荐系统的研究与实现》2020.05.30
- 《表1 不同方法的准确率与F1值对比测试结果》2020.09.05
- 《表5 特征向量训练适熟分类器的准确率与F1值》2019.12.25
- 《表4 特征向量训练成熟分类器的准确率与F1值》2019.12.25
- 《表7 对比实验F1值：基于RFMQ模型的零售企业个性化推荐模型与应用研究》2019.08.28
- 《表6 随机推荐F1值：基于RFMQ模型的零售企业个性化推荐模型与应用研究》2019.08.28
- 《表4 本文算法与基于RNN的推荐算法准确率的对比》2019.08.01
- 《表3 本文算法与协同过滤推荐算法准确率的对比》2019.08.01
- 《表5 两种算法的Precision和F1》2019.02.20
- 《表2 两种算法的聚类准确率》2019.01.01
- 《表2 两种算法的准确率对比》2019.02.01