Absolument. L'action propose des fonctionnalités robustes de partitionnement des données. Vous pouvez utiliser partByFrac pour diviser aléatoirement votre table en sous-ensembles d'entraînement, de validation et de test. Le paramètre validate permet de surveiller l'erreur sur des données non vues pendant l'apprentissage, ce qui est indispensable pour garantir que votre machine de factorisation généralisera correctement lors de son passage en production sur le plan de données SAS Viya.
Est-il possible de valider automatiquement le modèle pendant l'entraînement ?
Exemples pour l'action factmac
Entraînement de base
Un exemple simple pour entraîner le modèle sur les utilisateurs et les films.
Modèle de recommandation optimisé avec sauvegarde
Entraînement complet avec 10 facteurs, 50 itérations et sauvegarde de l'état du modèle.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Dans quel cas devriez-vous activer la factorisation non négative ?
Quels sont les paramètres clés pour optimiser la convergence du modèle ?
Comment exporter le modèle factmac pour un déploiement en temps réel ?
Qu'est-ce que l'action factmac et comment révolutionne-t-elle les systèmes de recommandation ?
Comment l'action factmac gère-t-elle les données massives et la rareté des informations ?