MatrixFactorizationTrainer.Options.Alpha Campo
Definición
Importante
Parte de la información hace referencia a la versión preliminar del producto, que puede haberse modificado sustancialmente antes de lanzar la versión definitiva. Microsoft no otorga ninguna garantía, explícita o implícita, con respecto a la información proporcionada aquí.
Importancia de la pérdida de entradas no discretas en la factorización de matriz de una clase. Aplicable si LossFunction se establece en SquareLossOneClass
public double Alpha;val mutable Alpha : doublePublic Alpha As Double Valor de campo
Comentarios
Importancia de la pérdida de entradas no discretas (es decir, negativas) en la factorización de matriz de una clase. En general, solo se observan algunas entradas de matriz (por ejemplo, menos del 1 %) en el entrenamiento (es decir, positivas). Para equilibrar las contribuciones de la función de pérdida general y observadas, este parámetro suele ser un valor pequeño para que el solucionador pueda encontrar una factorización igualmente buena para las entradas no observadas y no observadas. Si solo hay 10000 entradas observadas en una matriz de entrenamiento de 2000000 a 300000, puede probar Alfa = 10000 / (200000*300000 - 100000). Cuando se observan la mayoría de las entradas de la matriz de entrenamiento, se puede usar Alfa >> 1; por ejemplo, si solo se observa 10000 en la matriz anterior, se puede probar Alfa = (200000 * 300000 - 10000) / 10000. Por lo tanto, Alpha = (# de entradas observadas) / (# de entradas no observadas) puede hacer que las entradas observadas y no discretas sean igualmente importantes en la función de pérdida minimizada. Sin embargo, la mejor configuración del aprendizaje automático siempre depende de los datos, por lo que el usuario todavía necesita probar varios valores.