Auf dieser Seite fehlen Verweise auf Inhalte, die an anderen Stellen erwähnt werden. Sehen Sie diese Seite für eine komplette Anleitung ...
https://azure.microsoft.com/en-us/documentation/articles/machine-learning-recommendation-api-documentation/
es kalt Angebote im Rang Build-Abschnitt wird in dem Dokument als ...
Eigenschaften der Empfehlung Modell verbessern können, aber zu tun, Dies erfordert die Verwendung von sinnvollen Funktionen. Zu diesem Zweck wurde ein neuer Build eingeführt - ein Rank Build. Dieser Build bewertet die Nützlichkeit von Features. Ein sinnvolles Feature ist ein Feature mit einem Rangwert von 2 und höher. Nachdem Sie verstanden haben, welche der Funktionen sinnvoll sind, lösen Sie einen Empfehlungsaufbau mit der Liste (oder Unterliste) bedeutungsvoller Merkmale aus. Es ist möglich, diese Funktion zur Verbesserung sowohl von warmen als auch von kalten Gegenständen zu verwenden. Um sie für warme Elemente zu verwenden, sollte der Build-Parameter UseFeatureInModel eingerichtet werden. Um Features für Cold-Elemente zu verwenden, sollte der Build-Parameter AllowColdItemPlacement aktiviert sein. Hinweis: Es ist nicht möglich, AllowColdItemPlacement zu aktivieren, ohne UseFeatureInModel zu aktivieren.
Es ist auch den ReasoningFeatureList in der Empfehlung Reasoning Abschnitt beschreibt, wie ...
Empfehlung Argumentation ist ein weiterer Aspekt der Feature-Nutzung. Tatsächlich kann die Azure Machine Learning Recommendations-Engine Funktionen verwenden, um Empfehlungs-Erklärungen zu liefern (ua Argumentation), was zu mehr Vertrauen in das empfohlene Element des Empfehlungskonsumenten führt. Um das Schließen zu ermöglichen, sollten die Parameter AllowFeatureCorrelation und ReasoningFeatureList vor dem Anfordern eines Empfehlungsbuilds eingerichtet werden.
Vielen Dank! Ich kannte den Link nicht. – hide