为什么ML.NET矩阵分解使用回归评估？

Question

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的示例，因为它的培训师选项设置为options.LossFunction = MatrixFactorizationTrainer.LossFunctionType.SquareLossOneClass;

我进一步搜索并发现了another matrix factorization example。虽然它不是one-class matrixfactorization，但是这次它有一个评估。但是，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进制分类吗？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任何答案。任何意见或答案将不胜感激。

Answer 1

第二个示例试图解决的问题是推荐，如果您查看line 55。

用于评估的指标与回归指标相同，这就是为什么要使用它们的原因。

有关矩阵分解的更多示例，请查看文档：

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