溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本篇文章為大家展示了如何進行FM算法原理分析與實踐，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。
簡介
FM是Steffen Rendle在2010年提出的，FM算法的核心在于特征組合，以此來減少人工參與特征組合工作。對于FM，其優勢可分以下三點:
FM能處理數據高度稀疏場景，SVM則不能；
FM具有線性的計算復雜度，而SVM依賴于support vector。
FM能夠在任意的實數特征向量中生效。
FM原理
FM的數據結構如下
FM通過不同特征的組合，生成新的含義。然而，特征組合也隨之帶來一些問題：
特征之間兩兩組合容易導致維度災難；
組合后的特征未必有效，可能存在特征冗余現象；
組合后特征樣本非常稀疏，如果原始樣本中不存在對應的組合，則無法學習參數，那么該組合就顯得無效。
雖然有這些缺點，但是也并不影響FM在廣告推薦領域的地位，每個算法都有風靡一時的過去，抱著敬畏之心的態度去學習是沒問題的。下面，來看看FM的算法原理。
我們知道，線性模型的目標函數為：
FM可以用來進行分類，為了方便，這里使用sklearn里面的iris數據集作為實驗數據，將target等于2的作為正樣本，其余作為負樣本，并采用train_test_split方法劃分訓練集與測試集，然后通過FM構建分類模型，并通過測試集驗證FM的效果。完整Demo代碼如下
from sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom pyfm import pylibfmfrom sklearn.feature_extraction import DictVectorizerdef load_data():"""調用sklearn的iris數據集，篩選正負樣本并構造切分訓練測試數據集"""iris_data = load_iris()X = iris_data['data']y = iris_data['target'] == 2data = [ {v: k for k, v in dict(zip(i, range(len(i)))).items()} for i in X]X_train,X_test,y_train, y_test = train_test_split(data,y, test_size=0.3, random_state=0)return X_train,X_test,y_train, y_testX_train,X_test,y_train, y_test = load_data()v = DictVectorizer()X_train = v.fit_transform(X_train)X_test = v.transform(X_test)fm = pylibfm.FM(num_factors=2,num_iter=200,verbose=True,task="classification",initial_learning_rate=0.001,learning_rate_schedule="optimal")fm.fit(X_train, y_train)y_preds = fm.predict(X_test)y_preds_label = y_preds > 0.5from sklearn.metrics import log_loss,accuracy_scoreprint ("Validation log loss: %.4f" % log_loss(y_test, y_preds))print ("accuracy: %.4f" % accuracy_score(y_test, y_preds_label))
通過上面代碼，跑出的結果如下(注：每次實驗結果不一定相同)：
Training log loss: 0.12161Validation log loss: 0.1868accuracy: 0.9778
上述內容就是如何進行FM算法原理分析與實踐，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
