MatrixFactorizationTrainer.Options.Alpha Champ

public double Alpha;

val mutable Alpha : double

Public Alpha As Double 

Valeur de champ

Remarques

Importance de la perte d’entrées non traitées (c’est-à-dire négatives) dans la factorisation de matrice d’une classe. En général, seules quelques entrées de matrice (par exemple, moins de 1%) dans l’entraînement sont observées (c’est-à-dire positives). Pour équilibrer les contributions des personnes non respectées et observées dans la fonction de perte globale, ce paramètre est généralement une petite valeur afin que le solveur puisse trouver une factorisation tout aussi bonne pour les entrées non respectées et observées. Si seulement 1 0000 entrées observées sont présentes dans une matrice d’entraînement 200000-by-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 observée, on peut essayer Alpha = (200000 * 300000 - 100000) / 10000. Par conséquent, Alpha = (# d’entrées observées) / (# d’entrées non respectées) peut rendre les entrées observées et non respectées tout aussi importantes dans la fonction de perte réduite. Toutefois, le meilleur paramètre dans Le Machine Learning dépend toujours des données, de sorte que l’utilisateur doit toujours essayer plusieurs valeurs.