Comment vérifier la qualité des recommandations sans diviser les données en entraînement et test ?

Si il n'est pas possible de diviser les données en entraînement et test, on peut utiliser des méthodes d'évaluation de la qualité des recommandations sans division explicite, par exemple :

• Validation croisée : diviser les données en plusieurs parties et utiliser chacune comme test, les autres comme entraînement.
• Évaluation basée sur des métriques hors ligne : utiliser des métriques qui ne nécessitent pas un ensemble de test séparé, comme Precision@K, Recall@K, MAP, NDCG, calculées sur des données historiques.
• Utilisation de tests A/B : si le système fonctionne déjà, on peut évaluer la qualité des recommandations sur des utilisateurs réels, en comparant différentes variantes.
• Méthodes de bootstrap : échantillonnage aléatoire avec remise pour évaluer la stabilité du modèle.

Ainsi, même sans division explicite train/test, il est possible d'obtenir une idée de la qualité des recommandations en utilisant des méthodes statistiques et des expériences en ligne.