见【搜广推校招面经六、七、十一】nn.ReLU(),nn.ReLU(),# 输出层：FM 和 DNN 部分的输出拼接self.output_layer = nn.Linear(1 + 1, 1) # FM 输出与 DNN 输出拼接# FM 部分：计算特征的二阶交互# DNN 部分：通过嵌入层和神经网络计算高阶特征交互# 输出层：将 FM 和 DNN 的输出拼接起来# 示例n_features =

上个月做一个竞赛，由于cpu实在太慢想着说调用gpu, 在网上看了一些教程以为要安装gpu版本的catboost，后面发现似乎直接把 task_type 参数改为 ‘GPU’ 便可。但是不知道为啥一运行就会出现内核死亡的问题， 在网上简单看了一下， 有的人使用xgboost也会出现这个问题，因为当时比较忙没有来得及解决，在这里标记一下。

上个月做一个竞赛，由于cpu实在太慢想着说调用gpu, 在网上看了一些教程以为要安装gpu版本的catboost，后面发现似乎直接把 task_type 参数改为 ‘GPU’ 便可。但是不知道为啥一运行就会出现内核死亡的问题， 在网上简单看了一下， 有的人使用xgboost也会出现这个问题，因为当时比较忙没有来得及解决，在这里标记一下。

极大似然法（Maximum Likelihood Estimation, MLE）是一种，旨在找到使观测数据出现的概率最大的模型参数。在深度学习中−。

模型名称低阶交互建模高阶交互建模需要人工特征工程共享 Embedding手工特征 (Wide)DNN (Deep)✅ 需要人工特征❌ 不共享WideFMFMDNN❌ 不需要人工特征❌ 不共享DeepFMFMDNN❌ 不需要人工特征✅ 共享xDeepFM（eXtreme Deep Factorization Machine） 是在 DeepFM 之后提出的一种推荐系统模型，主要用于 自动学习高阶特征

【代码】力扣hot100_链表(3)_python版本。

本文摘要： Bagging与Boosting对比：Bagging并行训练模型减少方差，Boosting串行训练纠正偏差；Bagging对数据有放回采样，Boosting加权采样误差样本；Bagging抗过拟合强，Boosting需调参防过拟合。 梯度下降与梯度提升：梯度下降优化参数空间，更新模型参数；梯度提升优化函数空间，逐步逼近最优函数；前者用于参数化模型，后者构建复合模型（如XGBoost）。

当优化一个任务时，另一个任务的性能下降。任务之间的损失函数相互竞争，导致模型难以同时优化所有任务。

【代码】力扣hot100_子串_python版本。

倾向分消偏主要通过计算个体的倾向分来调整不同组别的样本，使其在统计上更加可比。IPS 和 DR 消偏提供了一种基于加权和双重稳健的方法来进一步减少偏差。消偏塔采用分层处理的方式，从原始数据到最终模型，逐步减少选择偏差，提升模型的稳健性。使用显式特征的在线交互感知提升网络（EFIN）