MatrixFactorizationTrainer.Options.Alpha Pole
Definicja
Ważne
Niektóre informacje odnoszą się do produktu w wersji wstępnej, który może zostać znacząco zmodyfikowany przed wydaniem. Firma Microsoft nie udziela żadnych gwarancji, jawnych lub domniemanych, w odniesieniu do informacji podanych w tym miejscu.
Znaczenie utraty nieobserwowanych wpisów w faktoryzacji macierzy jednoklasowej. Dotyczy, jeśli LossFunction ustawiono wartość SquareLossOneClass
public double Alpha;val mutable Alpha : doublePublic Alpha As Double Wartość pola
Uwagi
Ważność nieobserwowanej (tj. ujemnej) utraty wpisów w faktoryzacji macierzy jednoklasowej. Ogólnie rzecz biorąc, zaobserwowano tylko kilka wpisów macierzy (np. mniej niż 1%) w treningu (tj. dodatnich). Aby zrównoważyć współtworzenie nieobserwowanych i zaobserwowanych w ogólnej funkcji straty, ten parametr jest zwykle małą wartością, dzięki czemu rozwiązanie jest w stanie znaleźć faktoryzacji równie dobre dla nieobserwowanych i obserwowanych wpisów. Jeśli tylko 10000 obserwowanych wpisów obecnych w macierzy treningowej 2000000-by-300000, można spróbować Alpha = 10000 / (200000*3000000 - 10000). Gdy zaobserwowano większość wpisów w macierzy treningowej, można użyć alfa >> 1, na przykład jeśli nie zaobserwowano tylko 10000 w poprzedniej macierzy, można spróbować Alpha = (200000 * 3000000 - 10000) / 10000. W związku z tym alpha = (# obserwowanych wpisów) / (# nieobserwowanych wpisów) może sprawić, że zaobserwowane i niezaobserwowane wpisy są równie ważne w funkcji zminimalizowanej utraty. Jednak najlepszym ustawieniem w uczeniu maszynowym jest zawsze zależne od danych, więc użytkownik nadal musi wypróbować wiele wartości.