LR :
好处：
不错的baseline，效果很好。 当然有效果，所以后续版本要超过那个，真的很难。 实现简单，有开源工具可以直接用于训练，在线代码也很容易写
缺点：由于是线性模型，有选择交叉特征的工作，相应地会消耗大量的劳力，但往往没有效果。 一般是wrapper方法的选择，每一轮都可以进行时间级运算，理论上2^n轮() n是特征数)，但离线分析指标和在线效果不一定有很强的相关性，所以分析更痛苦更糟的是，点击率估计的数据变化比较大，离线选择的特征、参数不一定适用于将来。 广告网站对点击率有决定性影响，因此大多数特征在广告网站之间交叉，无法共享广告网站之间的信息。 例如，如果广告网站a在广告网站x上的点击率很高，但广告网站y上没有曝光，对于广告网站y来说，广告网站a是全新的广告。 实际上，交叉特性可能会导致模型非常大。 虽然也使用了FTRL，但实际上无法有效生成稀疏模型。 如果模型非常大，同步模型就会变慢，同样会对效果产生很大的影响。 在线预测时，许多特征与广告ID交叉，因此在线组装的特征成本高，性能也可能成为问题。 调频：
好处
可以自动学习两个特征之间的关系，减少交叉特征的部分选择工作，参数也不太多，调整不太辛苦。 由于不需要输入那么多交叉特征，所以生成的模型相对于LR的模型要小很多。 在线计算减少了交叉特征的组装，在线计算的速度与LR大致相同(虽然在两个向量的点积的计算中计算量看起来是数倍)。
缺点是不能学习三个以上特征之间的关系，交叉特征选择的工作仍然是不可避免的。 从原理上看，调频的学习能力似乎更高，但从实践上看，超过LR的效果也是实力(运气？ )从功利的角度看，调频很不值得尝试。 它的工作量不比神经网络小多少。 在不需要深度学习而对机器一无所知的环境中，使用调频算法，获得的资源、支持和收获，远远比不上神经网络，所以完成局域网后，最好直接换成神经网络不要调频了。 由于特征之间实际上是通过联系在一起的，因此FM基于LR引入组合特征，在组合特征、组合特征的参数估计中引入辅助(隐)向量，辅助(隐)向量的维-K值反映了FM模型的表达能力
扩展：调频进程：
公式如下。
1 .查找交叉项目：
上述公式排除了自身的组合，即，xi的平方，乘以1/2的目的是去除诸如xij和xji之类的重复项。
2 .求权重
用梯度下降法对特征(输入项)的导数求损耗函数计算梯度，更新权重。 以m为样本个数为权重。
在回归问题的情况下，损耗函数通常是均方误差(MSE )，即最大的dddkf次幂。
因此，回归问题相对于损失函数权重的梯度(导数)如下。