知识卡片
GBDT与LR的特征工程权衡
Facebook的CTR方案用GBDT做特征筛选与组合,生成离散特征向量再喂给LR预测,是“特征工程模型化”的开创做法。两步采用相同优化目标但独立训练,从而绕开把LR梯度回传到GBDT的复杂问题,体现务实风格。工程上有两个典型权衡:其一是子树规模,实验显示超过500棵后收益极小、最后1000棵仅降约0.1%损失,最终选600;其二是更新频率,受限于GBDT难并行且数据量巨大,采用“GBDT几天更新、LR准实时更新”,兼顾实时性与复杂度。启示是组合模型不必端到端联合训练,分阶段独立优化往往更简单可控。
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8章 深度学习推荐系统的前沿实践 · 查看原书依据
其中,使用 GBDT 构建特征工程和利用 LR 预测 CTR 两步是采用相同的优化目标独立训练的。所以不存在如何将LR的梯度回传到GBDT这类复杂的训练问题,这样的做法也符合Facebook一贯的实用主义的风格。
参考来源
- 位置:《深度学习推荐系统》第8章 深度学习推荐系统的前沿实践(源文件:extracted/深度学习推荐系统/_epub-src/text/part0012_split_001.html)
- 结论依据:原文说明GBDT与LR独立训练不存在梯度回传问题,并给出子树规模关系曲线与“GBDT部分几天更新一次,LR部分准实时更新”的策略。
- 原始内容:其中,使用 GBDT 构建特征工程和利用 LR 预测 CTR 两步是采用相同的优化目标独立训练的。所以不存在如何将LR的梯度回传到GBDT这类复杂的训练问题,这样的做法也符合Facebook一贯的实用主义的风格。