在模型训练过程中，对于sparse input的特征来说，每个特征值（feasign）出现的概率有高有低。对于高频的特征，其参数得到更新的几率较大，而低频特征更新几率较小。
使用出现次数作为其gradient scale参数，对高频特征进行打压：gradient = gradient / show。提升低频特征的预估拟合能力。
PS：当然，如果低频特征过多，会导致整个参数量过大。（特别是对于一些长尾分布的特征）参数量过大则容易造成过拟合，所以对这些低频特征也应当进行适当的削减。
深度学习中的特征工程-高频与长尾特征
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
