为啥 ML.NET 矩阵分解使用回归评估？

Posted 2023-03-12

【中文标题】为啥 ML.NET 矩阵分解使用回归评估？

【英文标题】：Why ML.NET Matrix Factorization uses a regression evaluation?为什么 ML.NET 矩阵分解使用回归评估？

【发布时间】：2019-10-19 12:57:29

【问题描述】：

The example of ML.NET for Matrix Factorization here 没有用于测试模型的评估方法。这是一个one-class matrix factorization 示例，因为它的trainer 选项设置为options.LossFunction = MatrixFactorizationTrainer.LossFunctionType.SquareLossOneClass;

我进一步搜索发现another matrix factorization example。虽然不是one-class matrixfactorization，但这次有评测。然而，评估方法是针对回归模型的。 var metrics = mlcontext.Regression.Evaluate(prediction, labelColumnName: "Label", scoreColumnName: "Score");

矩阵分解不是一类二元分类吗？对模型使用回归评估是否有效？实际上，我在 ML.NET 的 community chat 上提出了几次这个问题，但到目前为止我还没有得到任何答案。任何 cmets 或答案将不胜感激。

【参考方案1】：

如果您查看line 55，第二个示例试图解决的问题是推荐。

用于评估的指标与回归指标相同，这就是使用它们的原因。

有关矩阵分解的更多示例，您可以查看文档：

https://docs.microsoft.com/en-us/dotnet/api/microsoft.ml.trainers.matrixfactorizationtrainer?view=ml-dotnet-preview

https://github.com/dotnet/machinelearning/blob/master/docs/samples/Microsoft.ML.Samples/Dynamic/Trainers/Recommendation

【讨论】：

这两个例子是推荐模型。是的，指标是回归模型的，所以它有RMS，Rsquared等等。我要问的是为什么他们在推荐模型上使用Regression评估方法，而推荐是binary classification的类（我不确定这是不是真的）

它可以是二进制分类，如果你的标签是二进制的（喜欢/不喜欢），或者它可以是回归，如果你的标签是对产品评分的星数。 quora.com/…