无痛学会分解机(Factorization Machine，FM)算法总结

Marcus-Bao

于 2020-04-27 11:38:45 发布

阅读量545

点赞数 1

分类专栏：葫芦爷救娃娃文章标签：算法机器学习人工智能数据挖掘自然语言处理

原文链接：https://www.cnblogs.com/pinard/p/6370127.html

版权

葫芦爷救娃娃专栏收录该内容

44 篇文章 94 订阅 ¥59.90 ¥99.00

订阅专栏

FM(Factorization Machine)主要是为了解决数据稀疏的情况下，特征怎样组合的问题。此算法的主要作用是可以把所有特征进行高阶组合，减少人工参与特征组合的工作。FM只需要线性时间复杂度，可以应用于大规模机器学习。

预测任务

${% asset_img 1.png %}$

${% asset_img 2.png %}$

${% asset_img 3.png %}$

模型方程

${% asset_img 4.png %}$

${% asset_img 5.png %}$

${% asset_img 6.png %}$

回归和分类

${% asset_img 7.png %}$

学习算法

${% asset_img 8.png %}$

注：上面最后一句话应该是"而 $g_{\theta}(x)$ 则利用 $\widehat{y}(x) - \theta h_{\theta}(x)$ 来计算"
${% asset_img 9.png %}$

${% asset_img 10.png %}$

${% asset_img 11.png %}$

${% asset_img 12.png %}$

${% asset_img 13.png %}$

${% asset_img 14.png %}$

${% asset_img 15.png %}$

参考文献

转载来源，原文链接失效。
${% asset_img 16.png %}$

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
无痛学会分解机(Factorization Machine，FM)算法总结

FM(Factorization Machine)主要是为了解决数据稀疏的情况下，特征怎样组合的问题。此算法的主要作用是可以把所有特征进行高阶组合，减少人工参与特征组合的工作。FM只需要线性时间复杂度，可以应用于大规模机器学习。预测任务模型方程回归和分类学习算法注：上面最后一句话应该是"而gθ(x)g_{\theta}(x)gθ(x)则利用y^(x)−θhθ(x)\w...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。