原书出处
深度学习推荐系统
05 第5章 多角度审视推荐系统
。 1.连续型特征 连续型特征的典型例子是上文提到的用户年龄、统计类特征、物品的发布时间、影片的播放时长等数值型的特征。
对于这类特征的处理,最常用的处理手段包括归一化、离散化、加非线性函数等方法。 归一化的主要目的是统一各特征的量纲,将连续特征归一到[0,1]区间。也可以做0均值归一化,即将原始数据集归一化为均值为0、方差为1的数据集。
离散化是通过确定分位数的形式将原来的连续值进行分桶,最终形成离散值的过程。离散化的主要目的是防止连续值带来的过拟合现象
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/深度学习推荐系统/_epub-src/text/part0009_split_001.html
EPUB SHA-256:2cd732704a51828ea5c0ec7decb8861b35f44e5e16d9af11fbc68f7084f63382