استكشِف الخيارات أدناه.
تختلف المدن المختلفة في كاليفورنيا بشكل ملحوظ
أسعار المساكن:
ولنفرض أنه ينبغي لك إنشاء نموذج للتنبؤ بأسعار المساكن. أيّ من الخيارات التالية:
مجموعات السمات التالية أو تقاطع الخصائص يمكن أن يتعلمها
علاقات city-specific بين
roomsPerPerson
سعر المساكن؟
ثلاثة مواضع مجمعة منفصلة: [binned خط العرض]،
[خط الطول الأول]، [binned roomPerPerson]
والربط جيد لأنه يُمكّن النموذج من التعلم غير الخطي
العلاقات ضمن ميزة واحدة. ومع ذلك، توجد مدينة في
أكثر من بُعد واحد، لذلك فإن معرفة العلاقات الخاصة بالمدن
يجب استخدام خطوط الطول والعرض.
تقاطع عنصر واحد: [خط العرض س خط الطول س
roomsPerPerson]
في هذا المثال، لا يُعد تقاطع الميزات ذات القيمة الحقيقية فكرة جيدة.
نتجاوز القيمة الحقيقية لخط العرض، على سبيل المثال، مع
تتيح خدمة roomPerPerson تغيير عنصر واحد بنسبة 10% (على سبيل المثال، خط العرض).
بما يعادل تغييرًا بنسبة 10% في الميزة الأخرى (على سبيل المثال،
الغرفلكل شخص).
تقاطع عنصر واحد: [binned خط العرض س binned خط الطول س × binned
roomsPerPerson]
يؤدي عبور خط العرض المثبّت وخط الطول المحظور إلى تمكين
لمعرفة تأثيرات الغرف لكل شخص على مستوى المدينة.
يؤدي الربط إلى منع حدوث تغيير في خط العرض الذي ينتج النتيجة نفسها
كتغيير في خط الطول. اعتمادًا على مدى دقة
السلال، يمكن أن يتعلم تقاطع الميزة هذا الخاص بالمدينة أو
التأثيرات الخاصة بالحي أو حتى الخاصة بالكتلة.
صليبان ذوا عناصر: [binned خط العرض X binned roomPerPerson]
و[binned خط الطول X binned roomPerPerson]
الربط فكرة جيدة؛ ومع ذلك، فإن المدينة هي ارتباط
وخط العرض وخط الطول، لذا فإن مواضع تقاطع الخصائص المنفصلة تمنع
نموذج من التعرف على الأسعار الخاصة بالمدينة.