FieldAwareFactorizationMachineTrainer Klasa

Definicja

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)

Dziedziczenie

Object

FieldAwareFactorizationMachineTrainer

Implementuje

IEstimator<FieldAwareFactorizationMachinePredictionTransformer>

Uwagi

Kolumny wejściowe i wyjściowe

Dane kolumny etykiety wejściowej muszą mieć wartość Boolean. Dane wejściowe funkcji kolumny muszą być znanym wektorem o rozmiarze Single.

Ten trener generuje następujące kolumny:

Aby utworzyć ten trener, użyj metody FieldAwareFactorizationMachineFieldAwareFactorizationMachine lub FieldAwareFactorizationMachine(Options).

W przeciwieństwie do innych klasyfikatorów binarnych, które mogą obsługiwać tylko jedną kolumnę funkcji, maszyna factoryzacja z obsługą pól może korzystać z wielu kolumn funkcji. Każda kolumna jest postrzegana jako kontener niektórych funkcji, a taki kontener jest nazywany polem. Należy pamiętać, że wszystkie kolumny funkcji muszą być wektorami zmiennoprzecinkowymi, ale ich wymiary mogą być różne. Motywacją dzielenia funkcji na różne pola jest modelowanie funkcji z różnych dystrybucji niezależnie. Na przykład w sklepie z grami online funkcje utworzone na podstawie profilu użytkownika i z profilu gry można przypisać do dwóch różnych pól.

Cechy trenera

Tło

Rodzina maszyn factorization to zaawansowana grupa modeli do problemów z uczeniem nadzorowanym. Po raz pierwszy został wprowadzony w dokumencie Steffen Rendle Factorization Machines w 2010 roku. Później jedna z uogólnionych wersji, maszyny factoryzacji obsługującej pola, stała się ważnym modułem predykcyjnym w ostatnich systemach rekomendacji i konkursach przewidywania szybkości kliknięć. Aby zapoznać się z przykładami, zobacz zwycięskie rozwiązania w KDD-Cup 2012 (Track 1 i Track 2), Criteo's, Avazu ioutbrain's click prediction challenges on Kaggle.

Maszyny factoryzacji są szczególnie wydajne, gdy połączenia funkcji są bardzo skorelowane z sygnałem, który chcesz przewidzieć. Przykładem par funkcji, które mogą stanowić ważne połączenia, jest identyfikator użytkownika i identyfikator muzyki w rekomendacji dotyczącej muzyki. Gdy zestaw danych składa się tylko z gęstych cech liczbowych, użycie maszyny factoryzacji nie jest zalecane lub należy wykonać pewne cechy.

Funkcja oceniania

Maszyna do factoryzacji z obsługą pól to funkcja oceniania, która mapuje wektory funkcji z różnych pól na wynik skalarny. Załóżmy, że wszystkie kolumny funkcji $m$ są łączone w długi wektor funkcji $\textbf{x} \in {\mathbb R}^n$ i ${\mathcal F}(j)$ oznacza wcięcie pola $j$-th funkcji. Odpowiedni wynik to $\hat{y}(\textbf{x}) = \langle \textbf{w}, \textbf{x} \rangle + \sum_{j = 1}^n \sum_{j' = j + 1}^n \langle \textbf{v}_{j, {\mathcal F}(j')}, \textbf{v}_{j', {\mathcal F}(j)} \rangle x_j x_{j'}$, gdzie $\langle \cdot, \cdot \rangle$ jest operatorem produktu wewnętrznego, $\textbf{w} \in {\mathbb R}^n$ przechowuje współczynniki liniowe, i $\textbf{v}_{j, f}\in {\mathbb R}^k$ jest reprezentacją $j$-th funkcji w przestrzeni opóźnianej $f$-th pola. Należy pamiętać, że $k$ jest ukrytym wymiarem określonym przez użytkownika.

Przewidywana etykieta jest znakiem $\hat{y}$. Jeśli $\hat{y} > 0$, ten model przewiduje wartość true. W przeciwnym razie przewiduje wartość false.

Aby zapoznać się z systematycznym wprowadzeniem do maszyny factoryzacji obsługującej pola, zapoznaj się z tym dokumentem

Szczegóły algorytmu trenowania

Algorytm zaimplementowany w programie FieldAwareFactorizationMachineTrainer jest oparty na metodzie gradientu stochastycznego. Szczegóły algorytmu opisano w temacie Algorithm 3 (Algorytm 3) w tym dokumencie online. Zminimalizowana funkcja utraty to utrata logistyczna, więc wytrenowany model można postrzegać jako regresję logistyczną nieliniową.

Zapoznaj się z sekcją Zobacz również, aby uzyskać linki do przykładów użycia.

Metody

Metody rozszerzania

Dotyczy

Zobacz też

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