知识卡片
特征工程的四个动作
特征工程没有统一规范,但可拆成四个动作。选取:只保留最有区分度的信息,特征并非越多越好,维度越高样本越稀疏,参数越难估准。离散化:连续值直接入模会让 20 岁与 30 岁在 w·x 中差距过大,按区间切成 one-hot 后,模型可以给每个区间独立权重。交叉:单看性别会强迫同性别用户行为一致,把性别与商品组合成“女性×化妆品”才能表达偏好。修正:展示 100 次点击 2 次与展示 1 万次点击 200 次,CTR 同为 2%,但置信度不同,不做平滑就无法区分。这四步之外还可引入机器特征(GBDT 叶子、深度模型向量),把人工设计逐步交给模型;但每加一步都增加离线与线上的一致性维护成本。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第3章 让机器可以像人一样学习(上) · 查看原书依据
(2)特征离散化。离散化的目的是为了特征在区间上有更好的区分性,比如,年龄如果表示成一个维度的话,20岁的人和30岁的人就会相差很大(公式中w • x)
参考来源
- 位置:《文本上的算法——深入浅出自然语言处理》第3章 让机器可以像人一样学习(上)(源文件:extracted/文本上的算法——深入浅出自然语言处理/_epub-src/OEBPS/Text/00008.html)
- 结论依据:原文这一段直接给出本卡的核心判断:「(2)特征离散化。离散化的目的是为了特征在区间上有更好的区分性,比如,年龄如果表……」
- 原始内容:(2)特征离散化。离散化的目的是为了特征在区间上有更好的区分性,比如,年龄如果表示成一个维度的话,20岁的人和30岁的人就会相差很大(公式中w • x)