기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# Factorization Machine 하이퍼파라미터
다음 표에는 Factorization Machines 알고리즘의 하이퍼파라미터가 나와 있습니다. 이들은 사용자가 데이터로부터 모델 파라미터의 예측을 촉진하기 위해 설정하는 파라미터입니다. 먼저 반드시 설정해야 하는 필수 하이퍼파라미터가 알파벳 순으로 나열되어 있습니다. 그 다음에 설정할 수 있는 선택적 하이퍼파라미터가 알파벳 순으로 나열되어 있습니다.
| 파라미터 이름 | 설명 |
| --- | --- |
| feature\_dim | 입력 특징 공간의 차원. 희소 입력을 포함하여 매우 높을 수 있습니다.
**필수**
유효한 값: 양수. 제안 값 범위: [10000,10000000] |
| num\_factors | 인수분해의 차원.
**필수**
유효한 값: 양수. 제안된 값 범위: [2,1000], 64는 일반적으로 좋은 결과를 생성하므로 좋은 출발점이 됩니다. |
| predictor\_type | 예측기의 유형.[See the AWS documentation website for more details](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/fact-machines-hyperparameters.html)
**필수**
유효한 값: 문자열: `binary_classifier` 또는 `regressor` |
| bias\_init\_method | 편향항에 대한 초기화 메서드:[See the AWS documentation website for more details](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/fact-machines-hyperparameters.html)
**선택 사항**
유효값: `uniform`, `normal` 또는 `constant`
기본값: `normal` |
| bias\_init\_scale | 편향항 초기화 범위. `bias_init_method`가 `uniform`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: 음수가 아닌 부동 소수점. 제안 값 범위: [1e-8, 512].
기본값: 없음 |
| bias\_init\_sigma | 편향항 초기화 표준편차. `bias_init_method`가 `normal`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: 음수가 아닌 부동 소수점. 제안 값 범위: [1e-8, 512].
기본 값: 0.01 |
| bias\_init\_value | 편향항의 초기 값. `bias_init_method`가 `constant`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: 부동 소수점. 제안 값 범위: [1e-8, 512].
기본값: 없음 |
| bias\_lr | 편향항에 대한 학습률.
**선택 사항**
유효한 값: 음수가 아닌 부동 소수점. 제안 값 범위: [1e-8, 512].
기본값: 0.1 |
| bias\_wd | 편향항에 대한 가중치 감소.
**선택 사항**
유효한 값: 음수가 아닌 부동 소수점. 제안 값 범위: [1e-8, 512].
기본 값: 0.01 |
| clip\_gradient | 그라디언트 클리핑 옵티마이저 파라미터. 간격 [-`clip_gradient`, \+`clip_gradient`]에 투사하여 그라디언트를 클리핑합니다.
**선택 사항**
유효한 값: 부동 소수점.
기본값: 없음 |
| epochs | 실행할 훈련 epoch의 수.
**선택 사항**
유효한 값: 양수
기본값: 1 |
| eps | 0으로 나누기를 방지하는 Epsilon 파라미터.
**선택 사항**
유효한 값: 부동 소수점. 제안 값: 작음
기본값: 없음 |
| factors\_init\_method | 인수분해 항에 대한 초기화 메서드:[See the AWS documentation website for more details](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/fact-machines-hyperparameters.html)
**선택 사항**
유효한 값: `uniform`, `normal` 또는 `constant`.
기본값: `normal` |
| factors\_init\_scale | 인수분해 항 초기화 범위. `factors_init_method`가 `uniform`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: 음수가 아닌 부동 소수점. 제안 값 범위: [1e-8, 512].
기본값: 없음 |
| factors\_init\_sigma | 인수분해 항 초기화 표준편차. `factors_init_method`가 `normal`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: 음수가 아닌 부동 소수점. 제안 값 범위: [1e-8, 512].
기본값: 0.001 |
| factors\_init\_value | 인수분해 항의 초기 값. `factors_init_method`가 `constant`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: 부동 소수점. 제안 값 범위: [1e-8, 512].
기본값: 없음 |
| factors\_lr | 인수분해 항에 대한 학습률.
**선택 사항**
유효한 값: 음수가 아닌 부동 소수점. 제안 값 범위: [1e-8, 512].
기본값: 0.0001 |
| factors\_wd | 인수분해 항에 대한 가중치 감소.
**선택 사항**
유효한 값: 음수가 아닌 부동 소수점. 제안 값 범위: [1e-8, 512].
기본값: 0.00001 |
| linear\_lr | 선형항에 대한 학습률.
**선택 사항**
유효한 값: 음수가 아닌 부동 소수점. 제안 값 범위: [1e-8, 512].
기본값: 0.001 |
| linear\_init\_method | 선형항에 대한 초기화 메서드:[See the AWS documentation website for more details](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/fact-machines-hyperparameters.html)
**선택 사항**
유효한 값: `uniform`, `normal` 또는 `constant`.
기본값: `normal` |
| linear\_init\_scale | 선형항 초기화 범위. `linear_init_method`가 `uniform`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: 음수가 아닌 부동 소수점. 제안 값 범위: [1e-8, 512].
기본값: 없음 |
| linear\_init\_sigma | 선형항 초기화 표준편차. `linear_init_method`가 `normal`으로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: 음수가 아닌 부동 소수점. 제안 값 범위: [1e-8, 512].
기본 값: 0.01 |
| linear\_init\_value | 선형항의 초기 값. `linear_init_method`가 *constant*로 설정된 경우에만 적용됩니다.
**선택 사항**
유효한 값: 부동 소수점. 제안 값 범위: [1e-8, 512].
기본값: 없음 |
| linear\_wd | 선형항에 대한 가중치 감소.
**선택 사항**
유효한 값: 음수가 아닌 부동 소수점. 제안 값 범위: [1e-8, 512].
기본값: 0.001 |
| mini\_batch\_size | 훈련용 미니 배치의 크기.
**선택 사항**
유효한 값: 양수
기본값: 1000 |
| rescale\_grad | 그라디언트 리스케일링 옵티마이저 파라미터. 설정된 경우 업데이트 전에 `rescale_grad`를 사용하여 경사를 곱합니다. 주로 1.0/`batch_size`를 선택합니다.
**선택 사항**
유효한 값: 부동 소수점.
기본값: 없음 |