线性回归怎么确定最佳学习率
传统推荐系统算法总结？
传统推荐系统算法总结？
从推荐算法的理论来讲，主要可以从召回层和排序层两个方面来说，虽然召回层和排序层都是使用算法和模型来做，但是针对于不用的阶段，所用的模型也有一定的差别。
召回层
在召回层中，我们又可以分为3类方法，即传统算法、机器学习和深度学习模型。
传统算法就是利用传统推荐系统理论中所采用的算法，例如计算用户之间的相似度、物品之间的相似度等，而这两类算法从大体上来讲，都可以用协同过滤算法来表示，只不过一个是基于用户的协同过滤算法，一个是基于物品的协同过滤算法。
机器学习模型指使用机器学习相关算法来得到召回层结果的方法，例如NMF（Nonnegative Matrix Factor，非负矩阵分解）算法、LFM模型（Latent Factor Model，基于潜在隐因子模型）、FTRL（Follow The Regularized Leader）算法、PersonalRank算法等。
排序层
而在排序层中，我们也可以使用机器学习和深度学习两种方式来对召回结果进行排序，这里的排序一般采用点击率预估，并将预估得到的概率降序排序取前N得到最终的排序结果。
在使用机器学习进行排序层排序时，我们也可以将其分成2个大类，分别为线性模型和树模型，实际上，在真正的使用过程中，我们会将这两类模型结合起来使用。
在线性模型中主要使用逻辑回归作为主要的排序算法，而逻辑回归又属于线性回归的一种变形，因此，要想学习好逻辑回归，就得对线性回归有一定的了解。
树模型是排序算法中用得最多的一种模型的统称，在排序层中常用的树模型又分为决策树模型和集成学习模型，常用在推荐系统中的有随机森林、Boosting、GBDT、XGB、LGB。
虽然排序层的机器学习算法会被分为线性模型和树模型两种，但是进行排序时一般将二者结合使用，其中常见的组合方式就是使用GBDT LR的方式进行点击率预测和排序层的排序。
而使用深度学习模型进行点击率预测和排序层排序也是推荐系统中常用的方式，尤其对于大量的数据和特征，渐渐成为目前各大企业的主流排序方式，常见方式是DeepFM和xDeepFM。DeepFM顾名思义就是深度模型（Deep）和因子分解机（FM）结合使用。而xDeepFM是DeepFM的升级版，主要改进的是DeepFM模型中的DCN模型的缺点。
多元线性回归为什么是线性？
线性回归是对已有数据进行学习，学习到一种模式，这样就可以对其他数据做预测了。
y β1 x β0
使用上式对数据建模时，线性是指，y和x之间是线性的关系，即y和x组成了一条直线，用这个直线来描述数据集中的数据。在线性回归建模的过程，其实是寻找一个最优的直线，来拟合所有数据。
在对收入数据集进行建模时，我们可以对参数β0和β1取不同值来构建不同的直线，这样就形成了一个参数家族。参数家族中有一个最佳组合，可以在统计上以最优的方式描述数据集。那么监督学习的过程就可以被定义为：给定N个数据对，寻找最佳参数β0和β1，使模型可以更好地拟合这些数据。