在一口气看完项亮老师的《推荐系统实践》后,又花费几天看完了王喆老师的《深度学习推荐系统》，虽然学过一门深度学习的课，但是直接看推荐系统的深度学习还是有点不懂的（手动狗头×）。在上一篇的协同过滤后，这一篇来记录协同过滤后推荐系统的发展，也就是特征工程。 （图片有点大，可右键点击查看） 推荐系统 ...

一、前述 根据前文中架构，本文我们讨论线下部分构建训练集部分。因为我们离线部分模型的选择是逻辑回归，所以我们数据必须有x和y. 二、具体流程 1.从数据库中分离出我们需要的数据。 用户行为表（日志） 用户历史下载表 商品词表（商品的基本特征 ...

常见的id类特征有用户特征user_id，物品特征item_id等，通常来说这类特征都是人为按顺序编码的特征，并不能反映用户或者物品的自然属性特征。但是在很多推荐相关的文章，都有提到使用这类特征，而且似乎还非常重要，并且除了推荐系统，在计算广告、反欺诈风控模型里都有成功的案例。这是 ...

特征选择 (feature_selection) Filter 移除低方差的特征 (Removing features with low variance) 单变量特征选择 (Univariate feature selection) Wrapper 递归特征消除 ...

上周参加了学校的数据挖掘竞赛，总的来说，在还需要人工干预的机器学习相关的任务中，主要解决两个问题：（1）如何将原始的数据处理成合格的数据输入（2）如何获得输入数据中的规律。第一个问题的解决方案是：特征工程。第二个问题的解决办法是：机器学习。 相对机器学习的算法 ...

特征筛选的方法主要包括：Filter（过滤法）、Wrapper（封装法）、Embedded（嵌入法） filter: 过滤法 特征选择方法一：去掉取值变化小的特征（Removing features with low variance） 方法虽然简单但是不太好 ...

特征工程 · 定义：特征工程是指将原始数据转换为特征向量。(比如一片文档包含文本等类型，将这些文本类型的数据转换为数字类型的数据，这个过程是为了计算机更好的理解数据) · 目的：特征工程的处理直接影响模型的预测结果，目的也正是为了提高模型的预测效果 ...

在机器学习中，一般都会按照下面几个步骤：特征提取、数据预处理、特征选择、模型训练、检验优化。那么特征的选择就很关键了，一般模型最后效果的好坏往往都是跟特征的选择有关系的，因为模型本身的参数并没有太多优化的点，反而特征这边有时候多加一个或者少加一个，最终的结果都会差别很大 ...