大部分的拆分与组合，本质都是在trade off
甚至不少明星大佬的离婚与结婚，也是在权衡即时的付出与未来潜在的收益（笑）
模型拆分训练
是否应该拆分，拆分粒度的影响：
多场景一起训练与单独拆分训练比，一起训练大模型数据量更大，variance更低，但是对局部而言bias更大，数据有被少数重度用户dominate的风险。
而拆分训练，bias更小，但如果特征维度，参数数量不变的话，会由于数据量减少会导致variance扩大。模型拆分维度训练：
拆分的维度是需要考量的，因为拆分后，模型则不能保障不同维度间的排序能力。
1、拆分维度不影响排序
比如推荐中分用户拆分，分新老客，其实这种拆分影响最小，因为推荐中不同用户的样本不用混排，影响不大，类似的还有分广告位，时段等context特征。
2、拆分维度部分影响排序
比如分广告主训练cvr模型。由于不同广告主之间本身产品面向用户差异较大，同时我们很在意特定广告主的预估准确性，对部分广告主严重高估低估都可能导致平台收入受损，广告主流失等问题，所以我们有时候也会分广告主进行模型训练。当然，这里有很多别的问题，比如数据隐私问题等。
这里的业务整体介于混排和不充分混排之间（比如定向不同，或者分布差异大容易判定）。
3、拆分维度影响排序
比如推荐中要分产品类型，这些产品在每次排序中可能都要进行充分的混排，此时需要谨慎设计。如果上层有机制来代替直接排序，那么没问题，而如果是混排，那么拆分导致不同维度间的排序能力不可控是很危险的。
MTL辅助拆分：
由于拆分本身会极大程度影响数据量，拆分出来的部分由于数据量小很可能要suffering from large variance。
所以一种更好进行trade off的框架就是多任务训练，拆分任务并用share param，或者加入参数的L1L2距离惩罚，相当于加上constraints，能缩减因为拆分带来的过大的variance。同时如果去掉不同场景下不必要的特征，也能稍微降低一些variance。这个对比完全share所有参数的训练方式来说，相当于一种更弱且可以调节的constriants。
所以，MTL其实某种程度就是更好地帮我们trade-off。通过调整不同任务的学习率，share参数的数量，L2惩罚系数等，更好地优化这个问题。拆分与组合本质的合理性是什么
其实本质来自于，他们是否属于同一分布。如果我们假设样本从统一总体分布中采出，那么应该组合起来一起统计。如果我们认为样本并非从同一总体中采出，那么我们应该拆分统计。而现实中的这样的假设往往太强了，即同特征表述下是同分布的（即两个特征相同的用户决策的随机性来自相同的底层分布），错误的假设导致样本并非严格来自同一总体，因此带来了天然的bias。且就算假设成立，由于我们无法收集所有特征（譬如此时用户所处环境温度影响了决策），仍会有很大的bias（omitted var bias）。
通常，对于一些有明显差异性的场景下，我们会自然而然地就会进行拆分。而进一步思考，每一个人决策的底层系统都是不同的，甚至每一次。所以拆分的合理性也来自于此。
何处收敛？其实都是在bias与variance之间trade off而已，最终收敛到泛化误差最小的状态。
校准，分桶数量，分维度如何选择？
其实也是bias 与variance的选择，因为校准的指标，最终也是看泛化能力。
如何评估泛化能力：
一般来说，比如隔日校准，拿今天的反馈数据校准数值，然后评估明日数据集上的分段oe。影响泛化的参数：
1、分桶数量，分桶太少导致跟真实的bias过大（这里是假设不同段的数据来自于不同总体，多个段被分到一个桶就被当作了同一个总体，自然带来了bias），分太多导致在单区间内不置信variance太大。
1.1、分维度类似于分桶，分越多variance越大。
2、校准函数形式与参数的选择，表达能力太弱导致bias大，太强导致variance大。
3、注意一些边界点的处理，对于少数outlier，可能会导致离谱的误差。分维度校准有何影响：
从直观大的scope看，分维度缩小了数量，variance上升，bias下降。
对于保序回归，进行分维度校准，内部保序不影响auc，但是不同维度之间是会影响的。理论上，整体数据集应该是负面影响。（注意泛化性的标准，不能用测试集搜参数校准）
不过在实际场景中，也可能并没有负面影响，比如我们在男女用户上分别校准，真实排序能力其实不受影响，因为男女的样本其实本身就是分隔的。但是在商品维度上分别校准，就有影响了。
其实分了维度后，某种程度上，也是降低了bias，提升了vairance。
