本篇文章为大家展示了如何进行FM算法原理分析与实践，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。
简介
FM是Steffen Rendle在2010年提出的，FM算法的核心在于特征组合，以此来减少人工参与特征组合工作。对于FM，其优势可分以下三点:
FM能处理数据高度稀疏场景，SVM则不能；
FM具有线性的计算复杂度，而SVM依赖于support vector。
FM能够在任意的实数特征向量中生效。
FM原理
FM的数据结构如下
FM通过不同特征的组合，生成新的含义。然而，特征组合也随之带来一些问题：
特征之间两两组合容易导致维度灾难；
组合后的特征未必有效，可能存在特征冗余现象；
组合后特征样本非常稀疏，如果原始样本中不存在对应的组合，则无法学习参数，那么该组合就显得无效。
虽然有这些缺点，但是也并不影响FM在广告推荐领域的地位，每个算法都有风靡一时的过去，抱着敬畏之心的态度去学习是没问题的。下面，来看看FM的算法原理。
我们知道，线性模型的目标函数为：
FM可以用来进行分类，为了方便，这里使用sklearn里面的iris数据集作为实验数据，将target等于2的作为正样本，其余作为负样本，并采用train_test_split方法划分训练集与测试集，然后通过FM构建分类模型，并通过测试集验证FM的效果。完整Demo代码如下
from sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom pyfm import pylibfmfrom sklearn.feature_extraction import DictVectorizerdef load_data():"""调用sklearn的iris数据集，筛选正负样本并构造切分训练测试数据集"""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))
通过上面代码，跑出的结果如下(注：每次实验结果不一定相同)：
Training log loss: 0.12161Validation log loss: 0.1868accuracy: 0.9778
上述内容就是如何进行FM算法原理分析与实践，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注亿速云行业资讯频道。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
