上一篇文章简单了的介绍了下libfm的基本使用情况，这篇文章将介绍libffm的使用情况，还是老话先下载编译包

http://www.csie.ntu.edu.tw/~cjlin/libffm/在这个链接中下载编译包，下载到本地进行编译make，在这过程会发生

一个错误

g++ -Wall -O3 -std=c++0x -march=native -fopenmp -DUSEOMP -c -o ffm.o ffm.cpp
clang: error: unsupported option '-fopenmp'
make: *** [ffm.o] Error 1

CXX ?= g++
CC ?= gcc

然后make即可以，编译好之后回产生

两个可执行文件

libffm例子自带了数据，下面用简单的例子说明说下

 ./ffm-train 
usage: ffm-train [options] training_set_file [model_file]

options:
-l <lambda>: set regularization parameter (default 0.00002)
-k <factor>: set number of latent factors (default 4)
-t <iteration>: set number of iterations (default 15)
-r <eta>: set learning rate (default 0.2)
-s <nr_threads>: set number of threads (default 1)
-p <path>: set path to the validation set
-v <fold>: set the number of folds for cross-validation
--quiet: quiet model (no output)
--no-norm: disable instance-wise normalization
--no-rand: disable random update
--on-disk: perform on-disk training (a temporary file <training_set_file>.bin will be generated)
--auto-stop: stop at the iteration that achieves the best validation loss (must be used with -p)

说明：

• –no-norm：缺省状态时用每个样本向量的2范数对样本中的每个元素进行归一化，如果设置了这个参数，则不进行归一化处理。
• –no-rand：缺省状态训练时随机从数据中选取训练样本，如果不想随机的抽取训练样本，而是想按照数据集中的样本顺序训练，则可以使用此参数，同时还要配合参数”-s 
  1”使用。
• –on-disk：如果训练数据较大内存无法加载全量数据，则可以使用此参数。需要注意的是，这种训练模式下不支持随机的抽取训练数据，所以此时需要设置参数“—no-rand”，同时这种模式下不支持交叉验证。同时还会在磁盘上产生临时的二进制文件[training_set_file].bin。 
  “`

训练

./ffm-train -l 0.001 -k 16 -t 30 -r 0.05 -s 4 bigdata.tr.txt model

./ffm-predict bigdata.te.txt model output

模型文件:

n 9991
m 18
k 16
normalization 1
w0,0 1.95648e-06 0.0328844 0.188901 0.114663 0.133192 0.0547398 0.0117612 0.169716 0.169824 0.233673 0.0958755 0.129854 0.207741 0.00864303 0.0133654 0.132425 
w0,1 0.167787 0.00192455 0.0958539 0.0167106 0.104371 0.171693 0.147244 0.232609 0.211542 0.131732 0.0229912 0.16348 0.104 0.175298 0.22758 0.19055 
w0,2 0.074646 0.0209831 0.19113 0.0834052 0.167084 0.198092 0.258891 0.102135 0.0735934 0.250294 0.185886 0.190434 0.172146 0.0193426 0.163658 0.231631 
w0,3 0.0731925 0.111001 0.19554 0.131297 0.0671442 0.0697965 0.101111 0.0478792 0.130567 0.235527 0.237891 0.0186342 0.230772 0.126537 0.130296 0.0899311 
w0,4 0.255192 0.131299 0.0744555 0.0272959 0.241042 0.0271916 0.134238 0.100963 0.0733053 0.233488 0.13384 0.123466 0.23765 0.0245288 0.194973 0.200692 
w0,5 0.218708 0.0338262 0.00699753 0.184125 0.223729 0.164005 0.191111 0.189071 0.260958 0.223078 0.062193 0.0835395 0.0880414 0.129263 0.150918 0.223234 

0.0219516
0.501304
0.541267
0.237357
0.00464773
0.622506
0.0901457
0.00820256
0.312857
0.169556

最后

以上就是独特百褶裙为你收集整理的libffm的基本使用--mac为例子训练预测模型文件:预测结果的全部内容，希望文章能够帮你解决libffm的基本使用--mac为例子训练预测模型文件:预测结果所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。