FM算法：(Factorization Machines)，因子分解机模型
- 本文仅作为一个简单介绍，关于推理和代码部分可以见参考资料
1 模型提出背景：
- 在传统的线性模型中，每个特征都是独立的，如果需要考虑特征与特征之间的相互作用，可能需要人工对特征进行交叉组合。非线性SVM可以对特征进行核变换，但是在特征高度稀疏的情况下，并不能很好的进行学习。推荐系统是一个高度稀疏的数据场景，由此产生了FM系列算法。
- FM提出主要是为了解决数据稀疏的情况下，特征怎样组合的问题。可用于回归任务，二分类任务、排名任务，特别是在数据稀疏场景下，效果明显，广泛应用于推荐系统、广告系统等领域。
2 FM模型公式推导过程（见最下方链接，公式较多不再重复粘贴）
3 FM模型所用损失函数（本文不做详解）
- 回归任务：最小平方误差
- 二分类任务：对数损失函数，交叉熵损失函数
- 排序任务：成对分类函数
4 FM模型训练方法：（本文不做详解）
- 随机梯度下降法 SGD
- 参考资料：梯度下降法与反向传播法 - 知乎 (zhihu.com)
- 交替最小二乘法 ALS
- 马尔科夫链蒙特卡洛法 MCMC
5 关于FM模型特征工程构建的解释书名
- FM模型对特征两两组合是自动的，不需要人工参与
- FM模型对类别特征进行One-hot编码，然后才能参与计算
6 FM模型二分类问题实例（代码可运行，见最下方链接）
-
注1：数据源为皮马人糖尿病数据集
-
注2：数据源Github下载地址：Machine-Learning-with-Python/diabetes.csv at master · susanli2016/Machine-Learning-with-Python · GitHub
-
FM实例实现方法：TensorFlow + Sklearn 实现（已运行，无问题，链接包含与运行代码，运行结果展示以及使用的安装包版本）
