LR | Logic Regression | 逻辑回归

Y = ax1 + bx2 + cx3 + dx4 ...

• 针对召回算法返回的数据，进行二次精排，可以看做是对点击率的预估；
• x1，x2，... 可以理解成特征值，比如用户的年龄，用户的性别，门店的类别，门店的价格等；
• a，b，... 是每个特征值的权重；
• Y 介于 0 和 1 之间，越接近 1，越可能被点中了，越趋近 0，被点击的概率就越小；
• 对于学习也是一样，对于已经存在的数据，x1, x2, ... 已经存在了，并且 Y 是固定的，要么是被点击的正样本，要么是没被点击的负样本，有了正负样本之后，就可以做逻辑回归，算出 a, b, c, d，得出拟合公式，就是一条直线；在线之上的就是正样本（被点击的），在线之下就是负样本（没被点击的）；
• 在做模型预测的时候，对于新进来的点（一个门店），将其 x 值输入进去，然后判断点是在直线的上方，还是线的下方，如果在线的下方，就可以认为这个门店不被点击，其排序的权重就比较小，如果在线的上方，Y 的值就会比较大，比如 0.99，其排序的权重就更靠前；