邏輯回歸是機器學習裡要解決的基本問題。如下圖：

就是給一個特徵向量及答案的組合，這些資料給機器作學習，未來可以拿某個特徵向量問機器，請它做答案的預測。

用在電影推薦上，我們可以把使用者和電影的及評分表給機器學習， 日後只要問機器，某使用者對某部電影評分的話，他會評幾分？只要能預測出來，我們就能夠知道一部電影要不要推薦給這個人了。

推薦問題變成可以用邏輯回歸來解決。

那要怎麼做？

原本的評分表

把之前的討論 協作過濾的評分表拿來做例子。評分表是2維的，一維是使用者，一維是電影，如下圖：

One Hot 編碼

將使用者編碼如下：

電影編碼如下：

最後就可以變成

評分若是5分的，這就變成分成5類問題。若把4~5分為一類，1~3分為一類，這樣就變成 2 分類的問題。

接著就可以用原本機器學習的方式，來預測某個人對某部電影會不會想看

用這個方法還有其它的好處

可以再把其它的特徵放進來訓練，例如：

1. 把性別放進來：使用 one hot
2. 把年齡放進來：就一個數字
   如此不放過任何可以當成線索的東西。

例如：

接下來

今天，我們用用機器學習的方式，把特徵向量組合及最後的評分組合起來，讓推薦問題就變成了分類問題。
但，矩陣稀疏會影響效果，接下來會介紹其它的解法，進一步解決稀疏的影響。