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 überwachten Einträgen bei der Matrixfaktorisierung einer Klasse. Gilt bei LossFunction Festlegung auf SquareLossOneClass
public double Alpha;val mutable Alpha : doublePublic Alpha As Double Feldwert
Hinweise
Die Bedeutung nicht beobachtter (d. h. negativer) Einträge bei der 1-Klassen-Matrixfaktorisierung. Im Allgemeinen werden nur wenige Matrixeinträge (z. B. weniger als 1%) in der Ausbildung beobachtet (z. B. positiv). Um die Beiträge aus nicht beobachteten und beobachteten Beiträgen in der Gesamtverlustfunktion abzuwägen, ist dieser Parameter in der Regel ein kleiner Wert, sodass der Solver eine Factorisierung ebenso gut finden kann wie ungeobtete und beobachtete Einträge. Wenn nur 10000 beobachtete Einträge in einer Trainingsmatrix von 2000000 200000 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 beobachtet wird, kann man Alpha = (200000 * 300000 - 10000) / 10000 ausprobieren. Folglich kann Alpha = (Anzahl der beobachteten Einträge) / (# von nicht beobachteten Einträgen) beobachtete und nicht beobachtete Einträge gleichermaßen wichtig für die minimierte Verlustfunktion machen. Die beste Einstellung im maschinellen Lernen ist jedoch immer datenabhängig, sodass der Benutzer immer noch mehrere Werte ausprobieren muss.