Uma empresa de varejo tem pouquíssimas compras por cliente e depende de muitos usuários novos. Ao dividir os dados para treinamento e teste de um recomendador personalizado, como o cientista de dados deve criar um conjunto de testes que reflita o uso real?

Para um sistema de recomendação, é crucial que o conjunto de teste simule cenários do mundo real, onde o modelo prevê interações futuras com base em interações passadas. A opção correta, "Para cada usuário, pegar os 10% mais recentes de suas interações e usar essas interações recentes por usuário como o conjunto de testes", garante que o modelo seja avaliado em sua capacidade de prever o comportamento futuro de cada usuário, o que é essencial para recomendadores personalizados. As outras opções são menos eficazes: Embaralhar todas as interações e reter os últimos 10% pode incluir interações passadas de alguns usuários no conjunto de teste, não refletindo a previsão de futuro. Selecionar os 10% dos usuários com o menor número de interações pode não ser representativo do comportamento geral dos usuários. Selecionar aleatoriamente 10% dos usuários e usar todas as suas interações não avalia a capacidade do modelo de prever interações futuras para usuários existentes, apenas para novos usuários ou para usuários que não foram vistos durante o treinamento.