4. 逻辑回归
协同过滤：只有用户和物品之间的评价信息——改进：LR融合多种特征
4.1 LR流程
将各种先验信息（用户信息，物品信息，环境信息）用数字型特征向量表述
确定LR模型的优化目标——点击率
训练 LR，测试评估：特征信息——LR模型——用户对物品的点击率
输入所有物品得到预测的点击概率，排序得到推荐列表
4.2 算法细节
【机器学习】逻辑回归（非常详细） - 知乎 (zhihu.com)?这个很详细
LR:假设数据服从Logistic分布，然后使用极大似然估计做参数的估计
LR通过特征向量加权组合拟合决策边界（单层感知机）——再找边界面和P(Y=1/x)的关系sigmoid
????????????????????????????????????????????? ? ??
? ? ??
?特征向量加权组合后经过sigmoid非线性激活后转化为[0,1]的点击率
??????????????????????????????????????????????????????????????????????????????????????????????????????????
取整个数据集上的平均对数似然损失作为损失函数：??? ?????????? ? ???????? ? ? ???????? ? ??
?训练：梯度下降，牛顿，拟牛顿。梯度更新的公式见书，自己推一遍👍
? ? ? ????????????????????????????????????????????????????????????
?4.3 LR分析
| 优势 | 数学含义支撑，可解释性强，工程化的需要 |
| 局限 | 无法进行特征交叉，特征筛选等进一步操作 |