在廣告lr模型中，為什麼要做特徵組合？
在業界，lr模型之所以很受歡迎，主要是因為lr模型本質是對數線性模型，實現簡單，易於並行，大規模擴充套件方便，迭代速度快，同時使用的特徵比較好解釋，**輸出在0與1之間契合概率模型。（模型的可解釋性舉例，比如a-b的權重比較大，a代表使用者，b代表物品，那麼可以認為a是對b比較感興趣的）
但是，線性模型對於非線性關係缺乏準確刻畫，特徵組合正好可以加入非線性表達，增強模型的表達能力。
另外，廣告lr中，基本特徵可以認為是用於全域性建模，組合特徵更加精細，是個性化建模，因為在這種大規模離散lr中，單對全域性建模會對部分使用者有偏，對每一使用者建模又資料不足易過擬合同時帶來模型數量**，所以基本特徵+組合特徵兼顧了全域性和個性化。比如特徵向量中，有使用者a，b，c，物品e,f,g。基本的特徵a,b.c.e.f.g對應的權重，對應的是每個物件的偏置權重，但如果a偏好e,b偏好f，那麼組合特徵a-e,b-f就是對使用者的個性進行建模，組合特徵a-e,b-f的權重就是代表a對e的喜好，和b-f的喜好。
我們為什麼在今年要做亞馬遜？
現在來到了2021年，國外疫情十分緊張，很多人們居家隔離，這時候就會在網上購物。當然就是最大的平台類似於國內的某寶，某東。亞馬遜其平台所覆蓋的市場，基本上是目前世界上最核心的主流市場，如美國 德國 加拿大 英國 法國 義大利 西班牙 和日本，在這些國家亞馬遜平台都是在當地最大的網上購物平台。作為跨境...
邏輯回歸LR的特徵為什麼要先離散化
在工業界，很少直接將連續值作為特徵餵給邏輯回歸模型，而是將連續特徵離散化為一系列0 1特徵交給邏輯回歸模型，這樣做的優勢有以下幾點 1.稀疏向量內積乘法運算速度快，計算結果方便儲存，容易scalable 擴充套件 2.離散化後的特徵對異常資料有很強的魯棒性 比如乙個特徵是年齡 30是1，否則0。如果...
邏輯回歸LR的特徵為什麼要先離散化
在工業界，很少直接將連續值作為特徵餵給邏輯回歸模型，而是將連續特徵離散化為一系列0 1特徵交給邏輯回歸模型，這樣做的優勢有以下幾點 1.稀疏向量內積乘法運算速度快，計算結果方便儲存，容易scalable 擴充套件 2.離散化後的特徵對異常資料有很強的魯棒性 比如乙個特徵是年齡 30是1，否則0。如果...