视频字幕
LR加GBDT是一种经典的CTR预估模型组合方法。其核心思想是利用GBDT强大的特征学习能力来生成新特征，然后用LR进行最终预测。这种组合充分发挥了两种模型的优势：GBDT擅长捕捉复杂的非线性关系和特征交互，而LR擅长处理高维稀疏特征并给出概率预测。
GBDT特征生成的核心是将样本在决策树中的路径转化为特征。每个样本通过GBDT的所有决策树，记录在每棵树中最终落到的叶子节点。然后将这些叶子节点索引进行One-Hot编码，最后拼接成一个高维稀疏的二进制特征向量。这个过程自动学习了原始特征的复杂组合。
LR模型接收GBDT生成的高维稀疏特征向量作为输入。通过逻辑回归函数计算CTR预测概率，使用交叉熵损失函数进行训练。LR模型的优势在于能够高效处理高维稀疏特征，训练速度快，并且具有良好的可解释性。每个特征的权重反映了其对CTR预测的重要程度。
LR加GBDT模型具有显著优势。它实现了特征工程自动化，GBDT能够自动学习复杂的特征组合，克服了传统LR模型的线性局限。同时保持了LR处理高维稀疏特征的优势和良好的可解释性。相比深度学习模型，训练效率更高，在广告点击率预估、推荐系统等场景中得到广泛应用。
LR加GBDT作为经典的CTR预估模型，成功结合了两种算法的优势，实现了自动化特征工程和高效预测。虽然深度学习模型不断涌现，但LR加GBDT凭借其训练成本低、可解释性强的特点，在工业界仍有重要价值。未来发展方向包括与深度学习结合、自动化调优等，继续在CTR预估领域发挥作用。