자습서: ML.NET에서 행렬 인수분해를 사용하여 영화 추천기 빌드
이 자습서에서는 .NET Core 콘솔 애플리케이션에서 ML.NET으로 영화 추천기를 빌드하는 방법을 보여 줍니다. 이 단계에서는 C#과 Visual Studio 2019를 사용합니다.
이 자습서에서는 다음과 같은 작업을 수행하는 방법을 살펴봅니다.
- 기계 학습 알고리즘 선택
- 데이터 준비 및 로드
- 모델 빌드 및 학습
- 모델 평가
- 모델 배포 및 사용
dotnet/samples 리포지토리에서 이 자습서의 소스 코드를 찾을 수 있습니다.
기계 학습 워크플로
다음 단계를 수행하여 기타 모든 ML.NET 작업을 수행할 수 있습니다.
사전 요구 사항
적절한 기계 학습 작업 선택
영화 목록을 추천하거나 관련 제품 목록을 권장하는 것과 같은 몇 가지 방법으로 권장 문제에 접근할 수 있지만, 이 경우 사용자가 특정 영화에 어떤 등급(1-5)을 부여할지 예측하고 정의된 임계값(등급이 높을수록 사용자가 특정 영화를 좋아할 가능성이 높음)이 높을수록 해당 영화를 추천합니다.
콘솔 애플리케이션 만들기
프로젝트 만들기
"MovieRecommender"라는 C# 콘솔 애플리케이션을 만듭니다. 다음 단추를 클릭합니다.
사용할 프레임워크로 .NET 6을 선택합니다. 만들기 단추를 클릭합니다.
프로젝트에 Data라는 디렉터리를 만들어 데이터 세트를 저장합니다.
솔루션 탐색기에서 프로젝트를 마우스 오른쪽 단추로 클릭하고 추가>새 폴더를 선택합니다. “Data”를 입력하고 Enter 키를 누릅니다.
Microsoft.ML 및 Microsoft.ML.Recommender NuGet 패키지를 설치합니다.
참고
이 샘플에서는 별도로 지정하지 않은 한 언급된 NuGet 패키지의 최신 안정화 버전을 사용합니다.
솔루션 탐색기에서 프로젝트를 마우스 오른쪽 단추로 클릭하고 NuGet 패키지 관리를 선택합니다. "nuget.org"를 패키지 소스로 선택하고, 찾아보기 탭을 선택하고, Microsoft.ML을 검색하고, 목록에서 해당 패키지를 선택하고, 설치 단추를 선택합니다. 변경 내용 미리 보기 대화 상자에서 확인 단추를 선택한 다음, 나열된 패키지의 사용 조건에 동의하는 경우 라이선스 승인 대화 상자에서 동의함 단추를 선택합니다. Microsoft.ML.Recommender에 대해 이 단계를 반복합니다.
Program.cs 파일 맨 위에 다음
using문을 추가합니다.using Microsoft.ML; using Microsoft.ML.Trainers; using MovieRecommendation;
데이터 다운로드
두 개의 데이터 세트를 다운로드하여 이전에 만든 Data 폴더에 저장합니다.
recommendation-ratings-train.csv를 마우스 오른쪽 단추로 클릭하고 "링크(또는 대상)를 다른 이름으로 저장..."을 선택합니다.
recommendation-ratings-test.csv를 마우스 오른쪽 단추로 클릭하고 "링크(또는 대상)를 다른 이름으로 저장..."을 선택합니다.
*.csv 파일을 데이터 폴더에 저장하거나 다른 곳에 저장한 후 *.csv 파일을 데이터 폴더로 이동해야 합니다.
솔루션 탐색기 각 *.csv 파일을 마우스 오른쪽 단추로 클릭하고 속성을 선택합니다. 고급 아래에서 출력 디렉터리에 복사 값을 변경된 내용만 복사로 변경합니다.
데이터 로드
ML.NET 프로세스의 첫 번째 단계는 모델 학습 및 테스트 데이터를 준비하고 로드하는 것입니다.
권장 등급 데이터는 Train 및 Test 데이터 세트로 분할됩니다. Train 데이터는 모델에 맞게 사용됩니다. Test 데이터는 학습된 모델로 예측하고 모델 성능을 평가하는 데 사용됩니다. Train 및 Test 데이터로 80/20 분할을 하는 것이 일반적입니다.
다음은 *.csv 파일의 데이터 미리 보기입니다.
*.csv 파일에는 4개의 열이 있습니다.
userIdmovieIdratingtimestamp
기계 학습에서 예측을 수행하는 데 사용되는 열을 Features라고 하고, 반환된 예측이 있는 열을 Label이라고 합니다.
영화 등급을 예측하려는 경우 등급 열은 Label입니다. 다른 세 개의 열 userId, movieId 및 timestamp는 모두 Features가 Label을 예측하는 데 사용됩니다.
| 기능 | 레이블 |
|---|---|
userId |
rating |
movieId |
|
timestamp |
Label을 예측하는 데 사용되는 Features를 결정하는 것은 사용자에게 달려 있습니다. 또한 Feature Permutation 중요도와 같은 방법을 사용하여 최상의 Features을(를) 선택할 수 있습니다.
이 경우, 타임스탬프는 사용자가 특정 영화를 평가하는 방식에 실제로 영향을 주지 않고 더 정확한 예측에 기여하지 않기 때문에 timestamp 열을 Feature로 제거해야 합니다.
| 기능 | 레이블 |
|---|---|
userId |
rating |
movieId |
다음으로, 입력 클래스에 대한 데이터 구조를 정의해야 합니다.
새 클래스를 프로젝트에 추가합니다.
솔루션 탐색기 프로젝트를 마우스 오른쪽 단추로 클릭한 다음 새 항목 추가 > 를 선택합니다.
새 항목 추가 대화 상자에서 클래스를 선택하고 이름 필드를 MovieRatingData.cs로 변경합니다. 그런 다음, 추가 단추를 선택합니다.
MovieRatingData.cs 파일이 코드 편집기에서 열립니다. 다음 using 문을 MovieRatingData.cs의 맨 위에 추가합니다.
using Microsoft.ML.Data;
기존 클래스 정의를 제거하고 MovieRatingData.cs에 다음 코드를 추가하여 MovieRating라는 클래스를 만듭니다.
public class MovieRating
{
[LoadColumn(0)]
public float userId;
[LoadColumn(1)]
public float movieId;
[LoadColumn(2)]
public float Label;
}
MovieRating은 입력 데이터 클래스를 지정합니다. LoadColumn 특성은 데이터 세트에서 로드해야 하는 열(열 인덱스 기준)을 지정합니다. userId 및 movieId 열은 Features(모델에서 Label을 예측하기 위해 제공하는 입력)이고, 등급 열은 예측할 Label(모델의 출력)입니다.
MovieRatingData.cs의 MovieRating 클래스 뒤에 다음 코드를 추가하여 예측 결과를 나타내는 또 다른 클래스(MovieRatingPrediction)를 만듭니다.
public class MovieRatingPrediction
{
public float Label;
public float Score;
}
Program.cs에서 Console.WriteLine("Hello World!")을 다음 코드로 바꿉니다.
MLContext mlContext = new MLContext();
MLContext 클래스는 모든 ML.NET 작업의 시작점이며, mlContext를 초기화하면 모델 생성 워크플로 개체 간에 공유할 수 있는 새 ML.NET 환경이 생성됩니다. 개념적으로 Entity Framework의 DBContext와 유사합니다.
파일의 맨 아래에 LoadData()라는 메서드를 만듭니다.
(IDataView training, IDataView test) LoadData(MLContext mlContext)
{
}
참고
이 메서드는 다음 단계에서 return 문을 추가할 때까지 오류를 제공합니다.
데이터 경로 변수를 초기화하여 *.csv 파일에서 데이터를 로드하고 LoadData()의 다음 코드 줄로 다음 항목을 추가하여 Train 및 Test 데이터를 IDataView 개체로 반환합니다.
var trainingDataPath = Path.Combine(Environment.CurrentDirectory, "Data", "recommendation-ratings-train.csv");
var testDataPath = Path.Combine(Environment.CurrentDirectory, "Data", "recommendation-ratings-test.csv");
IDataView trainingDataView = mlContext.Data.LoadFromTextFile<MovieRating>(trainingDataPath, hasHeader: true, separatorChar: ',');
IDataView testDataView = mlContext.Data.LoadFromTextFile<MovieRating>(testDataPath, hasHeader: true, separatorChar: ',');
return (trainingDataView, testDataView);
ML.NET의 데이터는 IDataView 인터페이스로 표시됩니다. IDataView는 표 형식 데이터(숫자 및 텍스트)를 유연하고 효율적으로 설명하는 방법입니다. 데이터를 텍스트 파일 또는 실시간(예: SQL 데이터베이스 또는 로그 파일)에서 IDataView 개체로 로드할 수 있습니다.
LoadFromTextFile()은 데이터 스키마를 정의하고 파일에서 읽습니다. 데이터 경로 변수를 가져와서 IDataView를 반환합니다. 이 경우, Test 및 Train 파일의 경로를 제공하고 텍스트 파일 헤더(열 이름을 올바르게 사용할 수 있도록)와 쉼표 문자 데이터 구분 기호(기본 구분 기호는 탭)를 모두 나타냅니다.
다음 코드를 추가하여 LoadData() 메서드를 호출하고 Train 및 Test 데이터를 반환합니다.
(IDataView trainingDataView, IDataView testDataView) = LoadData(mlContext);
모델 빌드 및 학습
다음 코드를 사용하여 LoadData() 메서드 바로 뒤에 BuildAndTrainModel() 메서드를 만듭니다.
ITransformer BuildAndTrainModel(MLContext mlContext, IDataView trainingDataView)
{
}
참고
이 메서드는 다음 단계에서 return 문을 추가할 때까지 오류를 제공합니다.
BuildAndTrainModel()에 다음 코드를 추가하여 데이터 변환을 정의합니다.
IEstimator<ITransformer> estimator = mlContext.Transforms.Conversion.MapValueToKey(outputColumnName: "userIdEncoded", inputColumnName: "userId")
.Append(mlContext.Transforms.Conversion.MapValueToKey(outputColumnName: "movieIdEncoded", inputColumnName: "movieId"));
userId 및 movieId는 실제 값이 아닌 사용자와 영화 제목을 나타내기 때문에 MapValueToKey() 메서드를 사용하여 각 userId 및 각 movieId를 숫자 키 형식 Feature 열(권장 알고리즘에서 허용하는 형식)로 변환하고 새 데이터 세트 열로 추가합니다.
| userId | movieId | 레이블 | userIdEncoded | movieIdEncoded |
|---|---|---|---|---|
| 1 | 1 | 4 | userKey1 | movieKey1 |
| 1 | 3 | 4 | userKey1 | movieKey2 |
| 1 | 6 | 4 | userKey1 | movieKey3 |
기계 학습 알고리즘을 선택하고 BuildAndTrainModel()의 다음 코드 줄로 다음 항목을 추가하여 데이터 변환 정의에 추가합니다.
var options = new MatrixFactorizationTrainer.Options
{
MatrixColumnIndexColumnName = "userIdEncoded",
MatrixRowIndexColumnName = "movieIdEncoded",
LabelColumnName = "Label",
NumberOfIterations = 20,
ApproximationRank = 100
};
var trainerEstimator = estimator.Append(mlContext.Recommendation().Trainers.MatrixFactorization(options));
MatrixFactorizationTrainer는 권장 학습 알고리즘입니다. Matrix Factorization은 사용자가 이전에 제품을 평가한 방법에 대한 데이터가 있을 때 권장되는 일반적인 접근 방법입니다. 이는 이 자습서의 데이터 세트에 해당됩니다. 다른 데이터를 사용할 수 있는 경우에 대한 기타 권장 알고리즘이 있습니다(자세한 내용은 아래의 기타 권장 알고리즘 섹션 참조).
이 경우, Matrix Factorization 알고리즘은 "공동 작업 필터링"이라는 방법을 사용합니다. 이 방법은 사용자 1이 특정 문제에 대해 사용자 2와 의견이 같으면, 다른 문제에 대해 사용자 1이 사용자 2와 동일한 방식으로 느낄 가능성이 높다고 가정합니다.
예를 들어 사용자 1과 사용자 2가 영화를 비슷하게 평가한다면 사용자 2는 사용자 1이 시청하고 높게 평가한 영화를 즐길 가능성이 더 높습니다.
Incredibles 2 (2018) |
The Avengers (2012) |
Guardians of the Galaxy (2014) |
|
|---|---|---|---|
| 사용자 1 | 시청하고 좋아하는 영화 | 시청하고 좋아하는 영화 | 시청하고 좋아하는 영화 |
| 사용자 2 | 시청하고 좋아하는 영화 | 시청하고 좋아하는 영화 | 시청하지 않음 -- 추천 영화 |
Matrix Factorization 강사는 몇 가지 옵션이 있으며, 아래의 알고리즘 하이퍼 매개 변수 섹션에서 자세히 읽을 수 있습니다.
모델을 Train 데이터에 맞추고 BuildAndTrainModel() 메서드에서 다음 줄의 코드로 다음 항목을 추가하여 학습된 모델을 반환합니다.
Console.WriteLine("=============== Training the model ===============");
ITransformer model = trainerEstimator.Fit(trainingDataView);
return model;
Fit() 메서드는 제공된 학습 데이터 세트를 통해 모델을 학습합니다. 기술적으로 데이터를 변환하고 학습을 적용하여 Estimator 정의를 실행하고, 학습된 모델인 Transformer를 반환합니다.
ML.NET의 모델 학습 워크플로에 대한 자세한 내용은 ML.NET 정의 및 작동 방법을 참조하세요.
LoadData() 메서드 호출 다음의 코드 줄로 다음 코드를 추가하여 BuildAndTrainModel() 메서드를 호출하고 학습된 모델을 반환합니다.
ITransformer model = BuildAndTrainModel(mlContext, trainingDataView);
모델 평가
모델을 학습한 후에는 테스트 데이터를 사용하여 모델의 성능을 평가합니다.
다음 코드를 사용하여 BuildAndTrainModel() 메서드 바로 뒤에 EvaluateModel() 메서드를 만듭니다.
void EvaluateModel(MLContext mlContext, IDataView testDataView, ITransformer model)
{
}
EvaluateModel()에 다음 코드를 추가하여 Test데이터를 변환합니다.
Console.WriteLine("=============== Evaluating the model ===============");
var prediction = model.Transform(testDataView);
Transform() 메서드는 테스트 데이터 세트의 여러 입력 행을 예측합니다.
EvaluateModel() 메서드에서 다음 코드 줄로 다음 항목을 추가하여 모델을 평가합니다.
var metrics = mlContext.Regression.Evaluate(prediction, labelColumnName: "Label", scoreColumnName: "Score");
예측 집합이 있으면 Evaluate() 메서드는 모델을 평가하여 예측된 값을 테스트 데이터 세트의 실제 Labels와 비교하고, 모델 수행 방법에 대한 메트릭을 반환합니다.
EvaluateModel() 메서드에 다음 코드 줄로 다음 항목을 추가하여 평가 메트릭을 콘솔에 인쇄합니다.
Console.WriteLine("Root Mean Squared Error : " + metrics.RootMeanSquaredError.ToString());
Console.WriteLine("RSquared: " + metrics.RSquared.ToString());
BuildAndTrainModel() 메서드 호출 다음의 코드 줄로 다음 코드를 추가하여 EvaluateModel() 메서드를 호출합니다.
EvaluateModel(mlContext, testDataView, model);
지금까지의 출력은 다음 텍스트와 비슷해야 합니다.
=============== Training the model ===============
iter tr_rmse obj
0 1.5403 3.1262e+05
1 0.9221 1.6030e+05
2 0.8687 1.5046e+05
3 0.8416 1.4584e+05
4 0.8142 1.4209e+05
5 0.7849 1.3907e+05
6 0.7544 1.3594e+05
7 0.7266 1.3361e+05
8 0.6987 1.3110e+05
9 0.6751 1.2948e+05
10 0.6530 1.2766e+05
11 0.6350 1.2644e+05
12 0.6197 1.2541e+05
13 0.6067 1.2470e+05
14 0.5953 1.2382e+05
15 0.5871 1.2342e+05
16 0.5781 1.2279e+05
17 0.5713 1.2240e+05
18 0.5660 1.2230e+05
19 0.5592 1.2179e+05
=============== Evaluating the model ===============
Rms: 0.994051469730769
RSquared: 0.412556298844873
이 출력에는 20번의 반복이 있습니다. 각각의 반복에서 오류의 측정값은 줄어들고 0에 가깝게 수렴합니다.
root of mean squared error(RMS 또는 RMSE)는 모델 예측 값과 테스트 데이터 세트 관찰 값 간의 차이를 측정하는 데 사용됩니다. 기술적으로 오차 제곱 평균의 제곱근입니다. RMS가 낮을수록 더 나은 모델입니다.
R Squared는 데이터가 모델에 얼마나 잘 맞는지를 나타냅니다. 범위는 0에서 1까지입니다. 0 값은 데이터가 무작위이거나 모델에 맞지 않음을 의미합니다. 값 1은 모델이 데이터와 정확히 일치함을 의미합니다. R Squared 점수를 가능한 한 1에 가깝게 합니다.
성공한 모델 빌드하는 것은 반복적인 프로세스입니다. 자습서에서는 작은 데이터 세트를 사용하여 빠른 모델 학습을 제공하므로 이 모델은 초기 품질이 좋지 않습니다. 모델 품질에 만족하지 않는 경우 더 큰 학습 데이터 세트를 제공하거나 각 알고리즘에 대한 다양한 하이퍼 매개 변수와 함께 다양한 학습 알고리즘을 선택하여 모델 품질을 개선할 수 있습니다. 자세한 내용은 아래 모델 개선 섹션을 참조하세요.
모델 사용
이제 학습된 모델을 사용하여 새 데이터를 예측할 수 있습니다.
다음 코드를 사용하여 EvaluateModel() 메서드 바로 뒤에 UseModelForSinglePrediction() 메서드를 만듭니다.
void UseModelForSinglePrediction(MLContext mlContext, ITransformer model)
{
}
UseModelForSinglePrediction()에 다음 코드를 추가하여 등급을 예측하려면 PredictionEngine을 사용합니다.
Console.WriteLine("=============== Making a prediction ===============");
var predictionEngine = mlContext.Model.CreatePredictionEngine<MovieRating, MovieRatingPrediction>(model);
PredictionEngine은 데이터의 단일 인스턴스에 대한 예측을 수행할 수 있는 편리한 API입니다. PredictionEngine는 스레드로부터 안전하지 않습니다. 단일 스레드 또는 프로토타입 환경에서 사용할 수 있습니다. 프로덕션 환경에서 성능 및 스레드 보안을 개선하려면 PredictionEnginePool 서비스를 사용합니다. 이 서비스는 애플리케이션 전체에서 사용할 PredictionEngine 개체의 ObjectPool을 만듭니다. ASP.NET Core Web API에서 PredictionEnginePool을 사용하는 방법에 대한 이 가이드를 참조하세요.
참고
PredictionEnginePool 서비스 확장은 현재 미리 보기 상태입니다.
testInput이라는 MovieRating의 인스턴스를 만들고 UseModelForSinglePrediction() 메서드에서 다음 코드 줄로 다음 항목을 추가하여 예측 엔진에 전달합니다.
var testInput = new MovieRating { userId = 6, movieId = 10 };
var movieRatingPrediction = predictionEngine.Predict(testInput);
Predict() 함수는 단일 데이터 열의 대한 예측을 수행합니다.
그런 다음, Score 또는 예측 등급을 사용하여 movieId 10을 통해 사용자 6에게 영화를 추천할지 여부를 결정할 수 있습니다. Score가 높을수록 사용자가 특정 영화를 좋아할 가능성이 높아집니다. 이 경우 예측 등급 > 이 3.5인 영화를 추천한다고 가정해 보겠습니다.
결과를 인쇄하려면 UseModelForSinglePrediction() 메서드에서 다음 코드 줄로 다음 항목을 추가합니다.
if (Math.Round(movieRatingPrediction.Score, 1) > 3.5)
{
Console.WriteLine("Movie " + testInput.movieId + " is recommended for user " + testInput.userId);
}
else
{
Console.WriteLine("Movie " + testInput.movieId + " is not recommended for user " + testInput.userId);
}
EvaluateModel() 메서드 호출 다음의 코드 줄로 다음 코드를 추가하여 UseModelForSinglePrediction() 메서드를 호출합니다.
UseModelForSinglePrediction(mlContext, model);
이 메서드의 출력은 다음 텍스트와 비슷해야 합니다.
=============== Making a prediction ===============
Movie 10 is recommended for user 6
모델 저장
최종 사용자 애플리케이션에서 모델을 사용하여 예측하려면 먼저 모델을 저장해야 합니다.
다음 코드를 사용하여 UseModelForSinglePrediction() 메서드 바로 뒤에 SaveModel() 메서드를 만듭니다.
void SaveModel(MLContext mlContext, DataViewSchema trainingDataViewSchema, ITransformer model)
{
}
SaveModel() 메서드의 다음 코드를 추가하여 학습된 모델을 저장합니다.
var modelPath = Path.Combine(Environment.CurrentDirectory, "Data", "MovieRecommenderModel.zip");
Console.WriteLine("=============== Saving the model to a file ===============");
mlContext.Model.Save(model, trainingDataViewSchema, modelPath);
이 메서드는 학습된 모델을 .zip 파일("Data" 폴더에 있음)에 저장한 다음, 이를 다른 .NET 애플리케이션에서 예측을 수행하는 데 사용할 수 있습니다.
UseModelForSinglePrediction() 메서드 호출 다음의 코드 줄로 다음 코드를 추가하여 SaveModel() 메서드를 호출합니다.
SaveModel(mlContext, trainingDataView.Schema, model);
저장된 모델 사용
학습된 모델을 저장한 후에는 다양한 환경에서 모델을 이용할 수 있습니다. 앱에서 학습된 기계 학습 모델을 운영하는 방법에 대한 자세한 내용을 알아보려면 학습된 모델 저장 및 로드를 참조하세요.
결과
위의 단계를 수행한 후 콘솔 앱을 실행합니다(Ctrl + F5). 위의 단일 예측 결과는 다음과 비슷해야 합니다. 경고 또는 처리 메시지가 표시될 수 있지만, 이해하기 쉽도록 이러한 메시지는 다음 결과에서 제거되었습니다.
=============== Training the model ===============
iter tr_rmse obj
0 1.5382 3.1213e+05
1 0.9223 1.6051e+05
2 0.8691 1.5050e+05
3 0.8413 1.4576e+05
4 0.8145 1.4208e+05
5 0.7848 1.3895e+05
6 0.7552 1.3613e+05
7 0.7259 1.3357e+05
8 0.6987 1.3121e+05
9 0.6747 1.2949e+05
10 0.6533 1.2766e+05
11 0.6353 1.2636e+05
12 0.6209 1.2561e+05
13 0.6072 1.2462e+05
14 0.5965 1.2394e+05
15 0.5868 1.2352e+05
16 0.5782 1.2279e+05
17 0.5713 1.2227e+05
18 0.5637 1.2190e+05
19 0.5604 1.2178e+05
=============== Evaluating the model ===============
Rms: 0.977175077487166
RSquared: 0.43233349213192
=============== Making a prediction ===============
Movie 10 is recommended for user 6
=============== Saving the model to a file ===============
지금까지 이제 영화 추천을 위한 기계 학습 모델을 성공적으로 빌드했습니다. dotnet/samples 리포지토리에서 이 자습서의 소스 코드를 찾을 수 있습니다.
모델 개선
보다 정확한 예측을 할 수 있도록 모델의 성능을 개선할 수 있는 몇 가지 방법이 있습니다.
데이터
각 사용자 및 영화 id에 대한 충분한 샘플이 있는 학습 데이터를 추가하면 권장 모델의 품질을 개선하는 데 도움이 될 수 있습니다.
교차 유효성 검사는 임의로 데이터를 하위 집합으로 분할하여(이 자습서에서처럼 테스트 데이터 세트를 추출하는 대신) 그룹 중 일부는 학습 데이터로, 일부는 테스트 데이터로 가져오는 모델을 평가하는 기법입니다. 이 메서드는 모델 품질 면에서 학습-테스트 분할을 수행하는 것보다 뛰어난 성능을 냅니다.
기능
이 자습서에서는 데이터 세트에서 제공하는 세 개의 Features(user id, movie id 및 rating)만 사용합니다.
시작은 좋지만 실제로는 데이터 세트에 포함된 다른 특성 또는 Features(예: 나이, 성별, 지리적 위치 등)를 추가할 수 있습니다. 관련성이 높은 Features를 추가하면 권장 모델의 성능을 향상시킬 수 있습니다.
Features가 기계 학습 작업에 가장 관련이 있는지 확실하지 않은 경우, ML.NET에서 가장 영향력 있는 Features를 검색하기 위해 제공되는 FCC(Feature Contribution Calculation) 및 순열 기능 중요도를 사용할 수도 있습니다.
알고리즘 하이퍼 매개 변수
ML.NET은 좋은 기본 학습 알고리즘을 제공하지만 알고리즘의 하이퍼 매개 변수를 변경하여 성능을 더욱 미세하게 변경할 수 있습니다.
Matrix Factorization의 경우 NumberOfIterations 및 ApproximationRank와 같은 하이퍼 매개 변수로 실험하여 더 나은 결과를 얻을 수 있는지 확인합니다.
예를 들어 이 자습서에서 알고리즘 옵션은 다음과 같습니다.
var options = new MatrixFactorizationTrainer.Options
{
MatrixColumnIndexColumnName = "userIdEncoded",
MatrixRowIndexColumnName = "movieIdEncoded",
LabelColumnName = "Label",
NumberOfIterations = 20,
ApproximationRank = 100
};
기타 권장 알고리즘
공동 작업 필터링을 사용하는 행렬 인수 분해 알고리즘은 영화 추천을 수행하는 유일한 방법입니다. 대부분의 경우 등급 데이터를 사용할 수 없고 사용자로부터 영화 기록만 사용할 수 있습니다. 다른 경우에는 사용자의 등급 데이터 이상만 가질 수 있습니다.
| 알고리즘 | 시나리오 | 예제 |
|---|---|---|
| 하나의 클래스 행렬 인수 분해 | userId 및 movieId만 있을 때 이 옵션을 사용합니다. 이 스타일 권장 사항은 공동 구매 시나리오 또는 함께 자주 구매되는 제품을 기반으로 합니다. 즉, 구매 주문 내역에 따라 고객에게 제품 세트를 추천합니다. | >사용해보기 |
| 필드 인식 인수 분해 머신 | userId, productId 및 등급(예: 제품 설명 또는 제품 가격) 이외에 더 많은 기능이 있는 경우 이 옵션을 사용하여 권장 사항을 지정합니다. 이 메서드는 또한 공동 작업 필터링 접근 방식을 사용합니다. | >사용해보기 |
새로운 사용자 시나리오
공동 작업 필터링의 일반적인 문제 중 하나는 추론을 도출할 이전 데이터가 없는 새로운 사용자가 있을 때 발생하는 콜드 시작 문제입니다. 이 문제는 종종 새로운 사용자에게 프로필을 만들고 이전에 시청한 영화를 평가하도록 요청함으로써 해결됩니다. 이 메서드는 사용자에 다소 부담을 주지만 등급 기록이 없는 새로운 사용자에 대한 일부 시작 데이터를 제공합니다.
리소스
이 자습서에 사용된 데이터는 MovieLens 데이터 세트에서 파생되었습니다.
다음 단계
본 자습서에서는 다음 작업에 관한 방법을 학습했습니다.
- 기계 학습 알고리즘 선택
- 데이터 준비 및 로드
- 모델 빌드 및 학습
- 모델 평가
- 모델 배포 및 사용
다음 자습서로 이동하여 자세히 알아보기
.NET