1、原理介绍
LR（逻辑斯蒂回归）算法的本质是一个线性回归函数，该算法主要用作二分类的场景，例如点击率预估，算法公式如下：
其中x是模型的输入
- xi表示每个维度的输入。
- w是表示模型输入x的系数向量，w=( w1, w2, …), wi表示维度xi的权重。
2、模型求解
我们通过梯度下降法求解我们的模型。以点击率预估为例，首先收集样本。变量定义如下：
- nums 表示收集样本的数量 。
- (Xi,yi)表示用户第 个样本的数据，Xi表示样本的特征，yi表示点击情况(0表示没有点击，1表示点击)。
- Yi 表示模型的预测值，是关于w,b的变量。
定义交叉熵损失函数：
通过梯度下降法求解los(w,b)最小时对应的w,b即为所求模型参数。
3、业务实践
LR算法在目前推荐系统业界中，流行的做法是大规模离散化特征（one-hot编码），然后带入LR模型，以广告点击率模型为例，步骤如下：
- Step1：构造用户画像
按照特征类别构造用户画像，对类别下面的所有特征进行离散化处理，例如：用户历史浏览物品记录，用户社会属性，通过模型给用户打的标签等等。
