1700533006
1700533007
0
1700533008
1700533009
0
1700533010
1700533011
…
1700533012
1700533013
1
1700533014
1700533015
若用户的数量为m、物品的数量为n，那么需要学习的参数的规模为m×n。在互联网环境下，用户数量和物品数量都可以达到千万量级，几乎无法学习m×n规模的参数。在这种情况下，一种行之有效的方法是将用户和物品分别用k维的低维向量表示（k<
1700533016
1700533017
1700533018
，
1700533019
1700533020
（1.4）
1700533021
1700533022
1700533023
1700533024
1700533025
其中，和分别表示xi和xj对应的低维向量。在表1.5的推荐问题中，需要学习的参数的规模变为m×k+n×k。熟悉推荐算法的同学很快可以看出来，这其实等价于矩阵分解。所以，这里也提供了另一个理解推荐系统中矩阵分解的思路。
1700533026
1700533027
1700533028
1700533029
1700533030
百面机器学习：算法工程师带你去面试 [:1700532171]
1700533031
百面机器学习：算法工程师带你去面试 04 组合特征
1700533032
1700533033
1700533034
1700533035
场景描述
1700533036
1700533037
上一节介绍了如何利用降维方法来减少两个高维特征组合后需要学习的参数。但是在很多实际问题中，我们常常需要面对多种高维特征。如果简单地两两组合，依然容易存在参数过多、过拟合等问题，而且并不是所有的特征组合都是有意义的。因此，需要一种有效的方法来帮助我们找到应该对哪些特征进行组合。
1700533038
1700533039
知识点
1700533040
1700533041
组合特征
1700533042
1700533043
问题 怎样有效地找到组合特征？
1700533044
1700533045
难度：★★☆☆☆
1700533046
1700533047
分析与解答
1700533048
1700533049
本节介绍一种基于决策树的特征组合寻找方法[1]（关于决策树的详细内容可见第3章第3节）。以点击预测问题为例，假设原始输入特征包含年龄、性别、用户类型（试用期、付费）、物品类型（护肤、食品等）4个方面的信息，并且根据原始输入和标签（点击/未点击）构造出了决策树，如图1.2所示。
1700533050
1700533051
于是，每一条从根节点到叶节点的路径都可以看成一种特征组合的方式。具体来说，就有以下4种特征组合的方式。
1700533052
1700533053
（1）“年龄<=35”且“性别=女”。
1700533054
1700533055
（2）“年龄<=35”且“物品类别=护肤”。