MatrixFactorizationTrainer.Options.Alpha Feld
Definition
Wichtig
Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.
Bedeutung des Verlusts von nicht beobachteten Einträgen bei der Einklassenmatrix-Factorisierung. Anwendbar, wenn LossFunction auf festgelegt ist SquareLossOneClass
public double Alpha;val mutable Alpha : doublePublic Alpha As Double Feldwert
Hinweise
Bedeutung des Verlusts von nicht beobachteten (d. h. negativen) Einträgen in der Einklassenmatrixfaktorisierung. Im Allgemeinen werden nur wenige Matrixeinträge (z. B. weniger als 1 %) im Training beobachtet (d. h. positiv). Um die Beiträge von unbeobachteten und in der Gesamtverlustfunktion beobachteten auszugleichen, ist dieser Parameter in der Regel ein kleiner Wert, sodass der Solver in der Lage ist, eine Factorisierung zu finden, die genauso gut wie unbeobachtete und beobachtete Einträge ist. Wenn nur 10000 beobachtete Einträge in einer 2000000-x-300000-Trainingsmatrix vorhanden sind, kann man Alpha = 10000 / (200000*300000 - 10000) ausprobieren. Wenn die meisten Einträge in der Trainingsmatrix beobachtet werden, kann man Alpha >> 1 verwenden. Wenn beispielsweise nur 10000 in der vorherigen Matrix nicht beobachtet wird, kann man Alpha = (200000 * 300000 - 10000) / 10000 ausprobieren. Daher kann Alpha = (# der beobachteten Einträge) / (# der unbeobachteten Einträge) beobachtete und nicht beobachtete Einträge in der Funktion für minimierten Verlust gleich wichtig machen. Die beste Einstellung beim maschinellen Lernen ist jedoch immer datenabhängig, sodass der Benutzer weiterhin mehrere Werte ausprobieren muss.