MatrixFactorizationTrainer.Options.Alpha Alan
Tanım
Önemli
Bazı bilgiler ürünün ön sürümüyle ilgilidir ve sürüm öncesinde önemli değişiklikler yapılmış olabilir. Burada verilen bilgilerle ilgili olarak Microsoft açık veya zımni hiçbir garanti vermez.
Tek sınıflı matris faktörizasyonunda gözlemlenmeyen girişlerin kaybının önemi. Şu şekilde ayarlanırsa LossFunction geçerlidir: SquareLossOneClass
public double Alpha;
val mutable Alpha : double
Public Alpha As Double
Alan Değeri
Açıklamalar
Tek sınıflı matris faktörizasyonunda gözlemlenmeyen (negatif) girişlerin kaybının önemi. Genel olarak, eğitimde matris girdilerinden yalnızca birkaçı (%1'den az) gözlemlenir (örneğin, pozitif). Gözlemlenmeyen ve genel kayıp işlevinde gözlemlenen katkıları dengelemek için, bu parametre genellikle küçük bir değerdir, böylece çözücü gözlemlenmeyen ve gözlemlenen girişlere eşit derecede iyi bir faktörizasyon bulabilir. 200000 x 300000 eğitim matrisinde yalnızca 10000 gözlemlenen girdi varsa, alfa = 10000 / (200000*300000 - 100000) deneyebilirsiniz. Eğitim matrisindeki girişlerin çoğu gözlemlendiğinde, alfa >> 1 kullanılabilir; örneğin, önceki matriste yalnızca 10000 gözlemlenmiyorsa, alfa = (200000 * 300000 - 10000) / 10000'i deneyebilirsiniz. Sonuç olarak, Alfa = (gözlemlenen girişlerin sayısı) / (gözlemlenmeyen girdilerin sayısı) en aza indirilmiş kayıp işlevinde gözlemlenen ve gözlemlenmeyen girişleri eşit derecede önemli hale getirebilir. Ancak makine öğrenmesindeki en iyi ayar her zaman verilere bağımlıdır, bu nedenle kullanıcının yine de birden çok değer denemesi gerekir.