MatrixFactorizationTrainer.Options.Alpha Champ
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
Importance de la perte des entrées non observées dans la factorisation matricielle à une classe. Applicable si LossFunction la valeur est définie sur SquareLossOneClass
public double Alpha;val mutable Alpha : doublePublic Alpha As Double Valeur de champ
Remarques
Importance de la perte d’entrées non observées (c’est-à-dire négatives) dans la factorisation matricielle à une classe. En général, seules quelques entrées de matrice (par exemple, moins de 1 %) dans la formation sont observées (c.-à-d. positives). Pour équilibrer les contributions des entrées non observées et observées dans la fonction de perte globale, ce paramètre est généralement une petite valeur afin que le solveur soit en mesure de trouver une factorisation aussi bonne que non observée et observée. Si seulement 10 000 entrées observées sont présentes dans une matrice d’entraînement 2000000 par 300000, on peut essayer Alpha = 10000 / (200000*300000 - 100000). Lorsque la plupart des entrées de la matrice d’entraînement sont observées, on peut utiliser Alpha >> 1 ; par exemple, si seulement 10000 dans la matrice précédente n’est pas observé, on peut essayer Alpha = (200000 * 300000 - 10000) / 10000. Par conséquent, Alpha = (nombre d’entrées observées) / (nombre d’entrées non observées) peut rendre les entrées observées et non observées aussi importantes dans la fonction de perte réduite. Toutefois, le meilleur paramètre dans le Machine Learning est toujours dépendant des données, de sorte que l’utilisateur doit toujours essayer plusieurs valeurs.