Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
L'algorithme Factorization Machines est un algorithme d'apprentissage supervisé polyvalent que vous pouvez utiliser pour les tâches de régression et de classification. Il s'agit d'une extension d'un modèle linéaire, conçue pour capturer, de façon économique, les interactions entre les caractéristiques dans des ensembles de données fragmentés haute dimension. Par exemple, dans un système de prédiction de clics, le modèle Factorization Machines peut capturer des schémas de taux de clic observés lorsque des publicités d'une certaine catégorie sont placées sur des pages d'une certaine catégorie. Les machines de factorisation constituent un bon choix pour des tâches traitant des ensembles de données fragmentés haute dimension, telles que la prévision de clics et la recommandation d'éléments.
Note
L'implémentation de l'algorithme Factorization Machines par Amazon SageMaker AI ne prend en compte que les interactions par paires (2e ordre) entre les fonctionnalités.
Rubriques
Interface d'entrée/de sortie pour l'algorithme des machines de factorisation
L'algorithme Factorization Machines peut être exécuté en mode classification binaire ou en mode régression. Dans chaque mode, un ensemble de données peut être fourni pour le canal de testen même temps que l'ensemble de données du canal de formation. La notation dépend du mode utilisé. En mode régression, l'ensemble de données de test est noté à l'aide de la racine carrée de l'erreur quadratique moyenne (RMSE, Root Mean Square Error). En mode classification binaire, l'ensemble de données de test est noté à l'aide de Binary Cross Entropy (Log Loss), Accuracy (au seuil = 0.5) et F1 Score (au seuil = 0.5).
Pour l'entraînement, l'algorithme Factorization Machines prend uniquement en charge le format recordIO-protobuf avec des tenseurs Float32. Son cas d'utilisation portant essentiellement sur les données fragmentées, CSV n'est pas un bon candidat. En modes File (Fichier) et Pipe (Tube), la formation est prise en charge pour le format recordIO-wrapped protobuf.
Pour les inférences, l'algorithme Factorization Machines prend en charge les formats application/json et x-recordio-protobuf.
-
Pour le problème de classification binaire, l'algorithme prévoit un score et une étiquette. L'étiquette est un nombre et peut être
0ou1. Le score est un nombre qui indique à quel point l'algorithme estime que l'étiquette doit être1. L'algorithme calcule un score d'abord, puis déduit l'étiquette à partir de la valeur de score. Si le score est supérieur ou égal à 0,5, l'étiquette est1. -
Pour le problème de régression, un score est renvoyé et il correspond à la valeur prévue. Par exemple, si les machines de factorisation sont utilisées pour prédire l'évaluation d'un film, le score correspond à la valeur d'évaluation prévue.
Consultez Exemples de blocs-notes de machines de factorisation pour plus de détails sur les formats de fichier de formation et d'inférence.
EC2 Recommandation d'instance pour l'algorithme des machines de factorisation
L'algorithme Amazon SageMaker AI Factorization Machines est hautement évolutif et peut s'entraîner sur des instances distribuées. Nous recommandons une formation et une inférence avec des instances à CPU pour les ensembles de données fragmentés et denses. Dans certaines circonstances, l'entraînement avec un ou plusieurs appareils GPUs sur des données denses peut présenter certains avantages. L'entraînement avec n' GPUs est disponible que sur des données denses. Utilisez des instances d'UC pour les données fragmentées. L'algorithme des machines de factorisation prend en charge les instances P2, P3, G4dn et G5 pour l'entraînement et l'inférence.
Exemples de blocs-notes de machines de factorisation
Pour un exemple de bloc-notes qui utilise l'algorithme SageMaker AI Factorization Machines pour analyser les images de chiffres manuscrits compris entre zéro et neuf dans le jeu de données MNIST, voir An Introduction to Factorization
