探讨了特征工程的局限性，特别是在面对新特征时的无力感，以及如何通过表示学习(Representation learning)克服这一挑战，其效果优于传统的手工特征选择。同时介绍了多层感知器(MLP)作为表示学习的一种实现方式。
关键词：Logistic Regression, Native Bayes, Representation learning
特征工程方法的弊端：
- 结果高度依赖给定的特征，训练模型对新特征束手无策
- 确定对训练有效的特征是困难的
Representation learning：区别于手工标注，它的效果更好
MLP：可以看作是若干数学方程式组合起来的一个映射算法，每个方程式针对输入有各自不同的输出
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
