今天来讲一个有趣的话题， 如何训练一个好的模型呢？如果让你训练一个模型， 效果不好， 你会从哪些方面入手呢？ 下面我们就一个一个说， 从上到下应该越来天花板越低。特征丰富程度这一节就是我们经常提到的特征工程。特征利用率数据增强程度模型拟合能力模型拟合成本

本文来介绍精度更高的内部解释模型GAMI-Net。GAMI-NetGAMI-Net模型在广义加性模型的基础上，引入了神经网络与特征交互的信息，同时增加了稀疏性、遗传限制、边界清晰度的准则，这使得模型的精度和解释性得到进一步的提升。模型定义传统的广义加性模型对每个特征会拟合一个光滑函数sj(X)s_{j}(X)sj​(X)，再将各个sj(X)s_{j}(X)sj​(X)的结果累加得到最终结果，sj(

讲过了Wide&Deep模型以后，貌似已经全面了，是不是就是重点了呢？ 其实还会有后文可以继续补充咱们的知识面。有请Deep&Cross网络登场。Deep&Cross模型之前咱们讲过使用简单模型增强网络的记忆功能， 实际上，我们还想进一步的增加它的交叉能力，所以顺理成章的引进了Cross网络进行补充，接下来咱们看一按下Deep&Cross模型的模型结构。设计Cros

Wide&Deep现在咱们就要看一下在推荐领域最经典的Wide&Deep模型了。被冠以集合了记忆和泛化能力的模型。其Wide 部分的主要作用是让模型具有较强的“记忆能力” memorization);Deep部分的主要作用是让模型具有“泛化能力”(generalization).记忆能力“记忆能力”可以被理解为模型直接学习并利用历史数据中物品或者特征的 “共现频率”的能力。般来说，

PNN加强特征交叉能力PNN 模型的提出同样是为了解决 CTR 预估和推荐系统的问题。对于上文中讲到的DeepCrossing模型，PNN模型在输人、Embedding层、多层 神经网络 以及最终的输出层部分并没有结构上的不同。唯一的区别在于 PNN 模型用乘积层 ProductLayer)代替了DeepCrossing模型中的Stacking层。也就 是说，不同特征的 Embedding 向量不