FM(Factorization Machines)模型详解

标签：有关   nes   依赖   向量   其他   区别   关联   基础上   对组   

优点

1. FM模型可以在非常稀疏的数据中进行合理的参数估计，而SVM做不到这点

2. 在FM模型的复杂度是线性的，优化效果很好，而且不需要像SVM一样依赖于支持向量。

3. FM是一个通用模型，它可以用于任何特征为实值的情况。而其他的因式分解模型只能用于一些输入数据比较固定的情况。

与LR联系与区别

• LR各个特征独立考虑，但实际上大量特征之间是有关联的，FM在LR的基础上引入(增加)组合特征。

• 对组合特征的参数估计引入辅助(隐)向量，辅助(隐)向量的维度--K值，反映了FM模型的表达能力。

FM(Factorization Machines)模型详解

标签：有关   nes   依赖   向量   其他   区别   关联   基础上   对组   

原文地址：https://www.cnblogs.com/wujingqiao/p/9962453.html