1、在做LR的时候,对连续数据做离散化处理的优势是什么?
-
稀疏向量内积乘法运算速度快,计算结果方便存储,容易scalable(扩展)。
-
离散化后的特征对异常数据有很强的鲁棒性:比如一个特征是年龄>30是1,否则0。如果特征没有离散化,一个异常数据“年龄300岁”会给模型造成很大的干扰。
-
逻辑回归属于广义线性模型,表达能力受限;单变量离散化为N个后,每个变量有单独的权重,相当于为模型引入了非线性,能够提升模型表达能力,加大拟合。
-
离散化后可以进行特征交叉,由M+N个变量变为M*N个变量,进一步引入非线性,提升表达能力。
-
特征离散化后,模型会更稳定,比如如果对用户年龄离散化,20-30作为一个区间,不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反,所以怎么划分区间是门学问。
2.为什么不用深度学习算法而使用LR
3.词袋模型是什么?
词表有10个单词,用固定长度为10的向量表示文档集。
在向量中有一个位置来对每个单词进行评分。
最简单的评分方法是将单词的存在标记为布尔值,0表示缺席,1表示存在。
其他的简单评分方法包括:
(1)计数,计算 每个单词在文档中出现的 次数 ;
(2)频率,计算文档中所有单词中 每个单词出现在文档中的 频率。
4.介绍一下词向量