ML之FE：数据处理—特征工程之高维组合特征的处理案例(矩阵分解)——基于LoR算法的广告点击预估问题

本文主要是介绍ML之FE：数据处理—特征工程之高维组合特征的处理案例(矩阵分解)——基于LoR算法的广告点击预估问题，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

ML之FE：数据处理—特征工程之高维组合特征的处理案例(矩阵分解)——基于LoR算法的广告点击预估问题

目录

特征工程之高维组合特征的处理思路

1、原始数据：语⾔言和类型两种离散特征

2、为了提高拟合能力，语言和类型可以组成二阶特征

3、以逻辑回归算法为例例

4、所有的特征，才开始看起来没有任何问题

问题出现

问题解决

特征工程之高维组合特征的处理思路

1、原始数据：语⾔言和类型两种离散特征

2、为了提高拟合能力，语言和类型可以组成二阶特征

3、以逻辑回归算法为例例

<x_i,x_j>表示x_i和x_j的组合特征，w_ij的维度等于 |x_i|*|x_j| = 2*2 = 4

4、所有的特征，才开始看起来没有任何问题

但当引入ID类型的特征时，就会出现大规模数据。

(1)、⽤用户ID和物品ID对点击的影响

(2)、用户ID和物品ID的组合特征对点击的影响

问题出现

若用户的数量=m，物品的数量为n，那么学习的参数的规模mxn。但是可是，在互联⽹网环境下，数量
都可以达到千万量级，几乎无法学习这么大规模的参数。

问题解决

有效的方法就是将用户和物品分别用k维的低维向量表示（k<<m, k<<n），其中$x_i^’$ 和 $x_j^’$分别表示
x_i和x_j对应的低维向量。

   需要学习的参数的规模变成m*k+n*k （实质上就是等价于矩阵分解）。

这篇关于ML之FE：数据处理—特征工程之高维组合特征的处理案例(矩阵分解)——基于LoR算法的广告点击预估问题的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！