Đánh giá về độ chính xác dự đoán theo RMSE so sánh giữa CAMF_CU và BPMF (Bayesian Probabilistic Matrix Factorization): một trong những tiêu chí quan trọng để đánh giá một hệ thống gợi ý chính là độ chính xác dự đoán. Trong phần này, luận văn lựa chọn độ đo RMSE đã trình bày tại phần 1.3.4 với các tham số tốc độ học cũng như tham số chuẩn hóa β thay đổi khác nhau. Do tập dữ liệu đầu vào được xây dựng dựa trên nguồn thu thập trên internet và các giá trị rating được xác định ngẫu nhiên nhằm mục đích thử nghiệm kỹ thuật CAMF, do đó đề tài chọn độ đo RMSE để đánh giá độ chính xác thay vì chọn các độ đo khác như Precision, Recall, ... (cần phải đánh giá offline, khảo sát thực tế đánh giá của người dùng so với kết quả tính toán). Qua các lần tính toán khác nhau, kỹ thuật CAMF đều cho ra các kết quả đánh giá RMSE ~ 0.9, so với phương pháp phân rã ma trận 2 chiều BPMF (RMSE > 1) thì độ chính xác dự đoán của CAMF rất ấn tượng. Giá trị RMSE ~ 0.9 sau tính toán của kỹ thuật CAMF cũng chứng minh các giá trị dự đoán xếp hạng sau quá trình học máy trên tập dữ liệu đầu vào có độ chính xác cao, đồng nghĩa với các gợi ý địa điểm đưa ra phù hợp với đánh giá của người dùng. Bảng dưới đây là số liệu tính toán RMSE qua 10 lần thực hiện với α, β thay đổi, tương ứng với 2 kỹ thuật CAMF và MF truyền thống, cụ thể:
Lần thực hiện Tham số CAMF_CU BPMF
1 0.94008 1.06854 2 0.95678 1.06468 3 0.96924 1.03847 4 0.95791 1.07317 5 0.96967 1.05508 6 0.96027 1.02787 7 0.94744 1.05255 8 0.97139 1.03496 9 0.95778 1.04715 10 0.93789 1.04727