factmac

Quels sont les paramètres clés pour optimiser la convergence du modèle ?

Pour affiner la performance de votre modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting)., trois leviers sont essentiels :

  • learnStep : Définit la taille du pas d'apprentissage pour l'optimisation. Une valeur bien choisie permet d'éviter de dépasser l'optimum global.
  • maxIter : Détermine le nombre maximum d'itérations. Par défaut fixé à 30, il peut être augmenté pour des données complexes.
  • nFactors : Spécifie le nombre de facteurs latents. Plus ce nombre est élevé, plus le modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). capte de nuances, au risque d'augmenter le temps de calcul et le surapprentissage.

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 ?

Utilisateur FAQ SAS Viya
Vos votes aident à améliorer notre base de connaissances.

Action CAS associée

factmac

factmac
À lire aussi...
Dans quel cas devriez-vous activer la factorisation non négative ? Est-il possible de valider automatiquement le modèle pendant l'entraînement ? 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 ?