摘要：
Factorization machine，因子分解机，把所有特征进行高阶组合，减少人工参与特征组合的工作， 在 LR 的基础上考虑交叉项，某些特征经过关联之后，与 label 的相关性会提高，比如球类运动配件和男性这两个特征。所以 FM 解决的问题是1.特征稀疏 2.特征组合 一般线性模型无法学习 阅读全文
摘要：
LR是线性模型，学习能力有限，此时特征工程尤其重要。现有的特征工程主要集中在寻找有区分度的特征、特征组合，但未必会有效果提升。 GBDT的算法特点可以用来发掘有区分度的特征、特征组合，减少特征工程中的人力成本。相当于将决策树的路径作为LR的输入特征，对于树的每条路径，都是通过最大增益分割出来的有区分 阅读全文