FieldAwareFactorizationMachineTrainer Třída

Definice

public sealed class FieldAwareFactorizationMachineTrainer : Microsoft.ML.IEstimator<Microsoft.ML.Trainers.FieldAwareFactorizationMachinePredictionTransformer>

type FieldAwareFactorizationMachineTrainer = class
    interface IEstimator<FieldAwareFactorizationMachinePredictionTransformer>

Public NotInheritable Class FieldAwareFactorizationMachineTrainer
Implements IEstimator(Of FieldAwareFactorizationMachinePredictionTransformer)

Dědičnost

Object

FieldAwareFactorizationMachineTrainer

Implementuje

IEstimator<FieldAwareFactorizationMachinePredictionTransformer>

Poznámky

Vstupní a výstupní sloupce

Vstupní data sloupce popisku musí být Boolean. Vstupní funkce sloupcová data musí být vektorem známé velikosti Single.

Tento trenér vypíše následující sloupce:

K vytvoření tohoto trenéra použijte FieldAwareFactorizationMachineFieldAwareFactorizationMachine nebo FieldAwareFactorizationMachine(Options).

Na rozdíl od jiných binárních klasifikátorů, které mohou podporovat pouze jeden sloupec funkcí, může stroj faktorizace s podporou polí využívat více sloupců funkcí. Každý sloupec se zobrazuje jako kontejner některých funkcí a takový kontejner se nazývá pole. Všimněte si, že všechny sloupce funkcí musí být vektory float, ale jejich rozměry se můžou lišit. Motivací rozdělení funkcí do různých polí je nezávisle modelovat funkce z různých distribucí. Například v online obchodě her je možné přiřadit funkce vytvořené z profilu uživatele a funkce z herního profilu ke dvěma různým polím.

Charakteristiky trenéra

Pozadí

Modelová řada strojů je výkonná skupina modelů pro problémy s učením pod dohledem. V roce 2010 byla poprvé představena v dokumentu Factorization Machines Steffen Rendle. Později se jeden z jeho generalizovaných verzí, stroj faktorizace pracující s poli, stal důležitým prediktivním modulem v nedávných doporučovacích systémech a klikáním na predikce rychlosti soutěže. Příklady najdete v vítězných řešeních v KDD-Cup 2012 Steffen Rendle (Track 1 and Track 2), Criteo, Avazu a Outbrain ' s click prediction challenges on Kaggle.

Factorizace počítačů je obzvláště výkonná, pokud jsou spojení funkcí extrémně korelované se signálem, který chcete předpovědět. Příkladem párů funkcí, které mohou tvořit důležité spojení, je ID uživatele a ID hudby v doporučení k hudbě. Pokud se datová sada skládá pouze z hustších číselných funkcí, použití faktorizačního stroje se nedoporučuje nebo by se měly provádět některé featurace.

Bodovací funkce

Faktorizační stroj s podporou polí je bodovací funkce, která mapuje vektory funkcí z různých polí na skalární skóre. Předpokládejme, že všechny sloupce funkcí $m$ jsou zřetězeny do dlouhého vektoru funkce $\textbf{x} \in {\mathbb R}^n$ a ${\mathcal F}(j)$ označuje odsazení pole $j$-th. Odpovídající skóre je $\hat{y}(\textbf{x}) = \langle \textbf{w}, \textbf{x} \rangle + \sum_{j = 1}^n \sum_{j' = j + 1}^n \langle \textbf{v}_{j, {\mathcal F}(j')}, \textbf{v}_{j', {\mathcal F}(j)} \rangle x_j x_{j'}$, kde $\langle \cdot, \cdot \rangle$ je vnitřní operátor produktu, $\textbf{w} \in {\mathbb R}^n$ ukládá lineární koeficienty. a $\textbf{v}_{j, f}\in {\mathbb R}^k$ je reprezentace funkce $j$-th v opožděné oblasti $f$-th. Všimněte si, že $k$ je latentní dimenze určená uživatelem.

Predikovaný popisek je znaménkem $\hat{y}$. Pokud $\hat{y} > 0$, tento model předpovídá hodnotu true. V opačném případě predikuje false.

Systematičtější úvod do stroje pro faktorizaci pracujících s poli najdete v tomto dokumentu.

Podrobnosti trénovacího algoritmu

Algoritmus implementovaný v FieldAwareFactorizationMachineTrainer je založen na stochastické metodě přechodu. Podrobnosti o algoritmu jsou popsány v algoritmu 3 v tomto online dokumentu. Minimalizovaná ztráta je logistická ztráta, takže trénovaný model lze zobrazit jako nelineární logistickou regresi.

Odkazy na příklady použití najdete v části Viz také.

Metody

Metody rozšíření

Platí pro

Viz také

• FieldAwareFactorizationMachineTrainer.Options
• FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String)
• FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, String[], String, String)
• FieldAwareFactorizationMachine(BinaryClassificationCatalog+BinaryClassificationTrainers, FieldAwareFactorizationMachineTrainer+Options)