知识卡片
逻辑回归把特征映为概率
二分类LR用z=WᵀX、σ(z)=1/(1+exp(-z))估计点击概率,标签可记±1,统一写P(y|X)=σ(yWᵀX)。查询、广告及匹配特征共同进入X,W由历史标注数据训练。输出落在0到1只是形式条件,不自动说明概率已校准或对新分布准确;稀疏组合仍须依赖可泛化特征。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 机器学习:分布式算法 · 查看原书依据
对于CTR预估来说,可以采用如上的逻辑回归方法,在计算广告的应用环境下,y =1代表用户 会点击广告,y =-1代表用户不会点击广告,变量X 代表<查询,广告>数据对,其由数据对相应的特征向量构成,其特征可以是查询独有的、广告独有的或者查询-广告两者匹配的特征,W 是这些特征的权重向量,表明对应特征的重要性,需要使用训练数据经过训练获得,特征参数规模可以达到10亿量级。当特征权重确定后,输入<查询,广告>数据对,计算出的P (y =1|X )就代表预估出的CTR。很明显,这是一个Sigmod函数,其值落在0到1之间。
参考来源
- 位置:《大数据日知录:架构与算法》第16章《机器学习:分布式算法》,原文段落12,OEBPS/text00021.html。
- 结论依据:原书给出的机制、公式或算法与其适用范围;实验百分比和2014年系统状态不当作当前普遍保证。
- 原始内容:对于CTR预估来说,可以采用如上的逻辑回归方法,在计算广告的应用环境下,y =1代表用户 会点击广告,y =-1代表用户不会点击广告,变量X 代表<查询,广告>数据对,其由数据对相应的特征向量构成,其特征可以是查询独有的、广告独有的或者查询-广告两者匹配的特征,W 是这些特征的权重向量,表明对应特征的重要性,需要使用训练数据经过训练获得,特征参数规模可以达到10亿量级。当特征权重确定后,输入<查询,广告>数据对,计算出的P (y =1|X )就代表预估出的CTR。很明显,这是一个Sigmod函数,其值落在0到1之间。