FieldAwareFactorizationMachineTrainer Класс

Определение

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)

Наследование

Object

FieldAwareFactorizationMachineTrainer

Реализации

IEstimator<FieldAwareFactorizationMachinePredictionTransformer>

Комментарии

Входные и выходные столбцы

Входные данные столбца меток должны иметь тип Boolean. Входные данные столбцов должны быть вектором известного Singleразмера.

Этот алгоритм обучения выводит следующие столбцы:

Чтобы создать этот обучатель, используйте FieldAwareFactorizationMachineFieldAwareFactorizationMachine или FieldAwareFactorizationMachine(Options).

В отличие от других двоичных классификаторов, которые могут поддерживать только один столбец признаков, компьютер факторизации с учетом полей может использовать несколько столбцов признаков. Каждый столбец рассматривается как контейнер некоторых функций, и такой контейнер называется полем. Обратите внимание, что все столбцы признаков должны быть векторами с плавающей запятой, но их размеры могут отличаться. Мотивация разделения признаков на разные поля заключается в том, чтобы моделировать признаки из разных распределений независимо. Например, в онлайн-магазине игр функции, созданные на основе профиля пользователя, и их можно назначить двум разным полям.

Характеристики тренера

Историческая справка

Семейство машин факторизации — это мощная группа моделей для контролируемых задач обучения. Впервые он появился в документе Steffen Rendle «Машины факторизации» в 2010 году. Позже одна из своих обобщенных версий, машины факторизации с учетом полей, стала важным прогнозным модулем в последних системах рекомендаций и конкурсов прогнозирования скорости. Например, ознакомьтесь с выигрышными решениями в KDD-Cup 2012 годах Steffen Rendle (Трек 1 и Трек 2), Criteo's, Avazu и Outbrain в прогнозируемых задачах на Kaggle.

Машины факторизации особенно эффективны, если сочетания признаков очень коррелируют с сигналом, который вы хотите предсказать. Пример пар функций, которые могут формировать важные сочетания, — идентификатор пользователя и идентификатор музыки в рекомендации по музыке. Если набор данных состоит только из плотных числовых признаков, использование машины факторизации не рекомендуется или некоторые признаки должны быть выполнены.

Функция оценки

Компьютер факторизации с учетом полей — это функция оценки, которая сопоставляет векторы признаков из разных полей с скалярной оценкой. Предположим, что все столбцы признаков $m$ объединяются в длинный вектор признаков $\textbf{x} \in {\mathbb R}^n$ и ${\mathcal F}(j)$ обозначает поле признака $j$-th. Соответствующая оценка : $\hat{y}(\textbf{x}) = \langle \textbf{w}, \textbf{x} \rangle + \sum_{j = 1}^n \sum_{j' = j + 1}^n \langle \textbf{v}_{j, {\mathcal F}(j')}, \textbf{v}_{j', {\mathcal F}(j)} \rangle x_j x_{j'}$, где $\langle \cdot, \cdot \rangle$ является внутренним оператором продукта, $\textbf{w} \in {\mathbb R}^n$ хранит линейные коэффициенты, и $\textbf{v}_{j, f}\in {\mathbb R}^k$ — это представление функции $j$-th в скрытом пространстве поля $f$-th. Обратите внимание, что $k$ — это скрытое измерение, указанное пользователем.

Прогнозируемая метка является знаком $\hat{y}$. Если $\hat{y} > 0$, эта модель прогнозирует значение true. В противном случае он прогнозирует значение false.

Систематическое введение в машинную факторизацию с учетом полей см. в этом документе

Сведения о алгоритме обучения

Алгоритм, реализованный в FieldAwareFactorizationMachineTrainer , основан на методе стохастического градиента. Сведения об алгоритме описаны в алгоритме 3 в этом интерактивном документе. Функция минимизации потери является логистической потерей, поэтому обученная модель может рассматриваться как нелинейная логистическая регрессия.

Ознакомьтесь с разделом "См. также" ссылки на примеры использования.

Методы

Методы расширения

Применяется к

См. также раздел

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