기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
Factorization Machine 작동 방법
인수 분해 기계 모델의 예측 작업은 특징 집합 x에서 함수 를 추정하는 것입니다.i대상 도메인으로 이 도메인은 회귀의 경우 실제 값이고 분류의 경우 바이너리입니다. 인수 분해 기계 모델은 감독을 받으며 학습 데이터 세트 (x) 도 마찬가지입니다.i, yj) 사용 가능. 이 모델의 이점은 인수분해된 파라미터화를 사용하여 쌍으로 이루어지는 특징 상호 작용을 캡처하는 방식에 있습니다. 이는 다음과 같은 수학 공식으로 나타낼 수 있습니다.

이 방정식의 3개 항은 각각 모델 구성 요소 3개에 해당합니다.
-
더 W0용어는 글로벌 편견을 나타냅니다.
-
더 Wi선형 항은 i의 강도를 모형화합니다.th변수.
-
<vi, vj> 인수 분해 항은 i 간의 쌍별 교호작용을 모형화합니다.th그리고 jth변수.
전역 편향 및 선형항은 선형 모델에서와 동일합니다. 쌍별 특징 상호 작용은 각 특징에 대해 학습된 해당 인수의 내적으로 세 번째 항에서 모델링됩니다. 학습된 팩터는 각 특징에 대한 임베딩 벡터로 고려될 수 있습니다. 예를 들어 분류 작업에서 한 쌍의 기능이 정상 샘플에서 더욱 자주 동시에 발생하는 편인 경우 이러한 팩터의 내적은 클 것입니다. 다시 말해 임베딩 벡터는 코사인 유사도에 있는 각각과 근접합니다. 인수 분해 기계 모델에 대한 자세한 내용은 섹션을 참조하세요.인수 분해 머신
회귀 작업의 경우 모델 예측 간의 제곱 오차를 최소화하여 모델을 훈련합니다.n그리고 목표값 yn. 이를 제곱 손실이라고 합니다.

분류 작업의 경우 모델은 교차 엔트로피 손실(로그 손실이라고도 함)을 최소화함으로써 훈련됩니다.

여기서 각 항목은 다음과 같습니다.

분류용 손실 함수에 대한 자세한 정보는 Loss functions for classification