LR 将所有输入特征进行线性组合，通过 Sigmoid 函数将结果压缩到 (0, 1) 区间，输出概率
LR 仅做了一阶特征的线性加权，特征之间是相互独立的
python
import numpy as np
import tensorflow as tf
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
# 1. 模拟生成推荐场景的点击数据
def generate_mock_data(n_samples=5000, n_features=20):
# 随机生成特征矩阵 X
X = np.random.randn(n_samples, n_features)
# 模拟一个真实的线性关系加上一点随机扰动
# 假设真实的权重是固定的，y = sigmoid(X * weights + bias)
true_weights = np.random.randn(n_features, 1)
logits = np.dot(X, true_weights) + 0.5
# 将连续值转为 0/1 标签（点击或未点击）
y = (1 / (1 + np.exp(-logits)) > 0.5).astype(int)
return X, y
# --- 准备数据 ---
X, y = generate_mock_data()
# 划分训练集和测试集（80% 训练，20% 测试）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 特征标准化（工程必备：让梯度下降更平稳）
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 2. 构建模型 (The "Body")
model = tf.keras.Sequential([
# input_shape 对应特征维度
tf.keras.layers.Dense(units=1, activation='sigmoid', input_shape=(20,))
])
#unit为输出的节点数，w的形状为（20，1）
# 3. 编译模型 (The "Soul")
model.compile(
optimizer=tf.keras.optimizers.Adam(learning_rate=0.01),
loss='binary_crossentropy',
metrics=['accuracy', tf.keras.metrics.AUC(name='auc')]
)
# 4. 启动训练 (The "Action")
# fit 函数会让数据在计算图中循环运行
print("--- 开始训练 ---")
history = model.fit(
X_train, y_train,
epochs=20, # 整个数据集跑 20 遍
batch_size=32, # 每次喂 32 条数据进行梯度更新
validation_split=0.1 # 从训练集里抽 10% 做实时监控
)
# 5. 测试与评估 (The "Audit")
print("\n--- 测试集评估 ---")
results = model.evaluate(X_test, y_test)
print(f"测试集准确率: {results[1]:.4f}, AUC: {results[2]:.4f}")
# 6. 预测 (The "Prediction")
# 模拟对前 5 个新用户进行点击率预测
sample_preds = model.predict(X_test[:5])
print("\n前5个样本的点击预测概率：\n", sample_preds)