Factorization Machine模型
在Logistics Regression算法的模型中使用的是特征的线性组合，最终得到的分隔超平面属于线性模型，其只能处理线性可分的二分类问题，现实生活中的分类问题是多中多样的，存在大量的非线性可分的分类问题。
为了使得Logistics Regression算法能够处理更多的复杂问题，对Logistics Regression算法精心优化主要有两种，（1）对特征进行处理，如核函数的方法，将非线性可分问题转换为近似线性可分的问题（2）对Logistics Regression算法进行扩展，因子分解机（Factorization Machine，FM）是对基本Logistics Regression算法的扩展，是由Steffen Rendle提出的一种基于矩阵分解的机器学习算法。
1、Logistics Regression算法的不足:
由于Logistics Regression算法简单，易于实现的特点，在工业界中得到广泛的使用，但是基本的Logistics Regression算法只能处理线性可分的二分类问题，对于下图的非线性可分的二分类问题，基本的Logistics Regression算法却不能够很好的进行分类。
基本的Logistics Regression算法不能很好的将上述的数据分开，为了能够利用Logistics Regression算法处理非线性可分的数据，通常有两种方法，（1）利用人工对特征进行处理，使用核函数对特征进行处理，对于上图所示对的数据，利用函数f（x）=x2进行特征处理处理后的数据如下图，（2）对于基本的Logistic Regression算法进行扩展，以适应更难分类问题。
因子分解机（Factorization Machine，FM）算法是对Logistics Regression算法的扩展，在因子分解机FM模型中，不仅包含了Logistics Regression模型中的线性项，还包含了非线性的交叉项，利用矩阵分解的方法对，模型中的交叉项的系数学习，得到每一项的系数，而无需人工参与。