Découvrez les options ci-dessous.

Les villes de Californie sont très différentes prix des logements. Supposons que vous deviez créer un modèle prédictif pour les prix des logements. Lequel des de caractéristiques ou de croisements de caractéristiques pourraient apprendre des relations propres à une ville entre roomsPerPerson et le prix d'un logement ?

Trois caractéristiques binaires distinctes: [binned latitude], [binned longitude] et [binned roomsPerPerson]

Le binning est efficace, car il permet au modèle d'apprendre des données non linéaires des relations au sein d'une même caractéristique. Cependant, une ville existe dans plusieurs dimensions. L'apprentissage des relations propres à chaque ville nécessite de croiser la latitude et la longitude.

Un croisement de caractéristiques: [latitude X longitude X] roomsPerPerson]

Dans cet exemple, le croisement des caractéristiques à valeur réelle n'est pas une bonne idée. Croiser la valeur réelle de la latitude avec roomsPerPerson permet de modifier de 10% une caractéristique (la latitude, par exemple) équivaut à une variation de 10% de l'autre caractéristique (par exemple, sallesPerPerson).

Un croisement de caractéristiques: [binned latitude X binned longitude X binned roomsPerPerson]

Le croisement de la latitude et de la longitude permet pour apprendre les effets de roomsPerPerson pour une ville. Le binning empêche qu'un changement de latitude ne produise le même résultat comme un changement de longitude. Selon le niveau de précision ce croisement de caractéristiques peut apprendre des classes des effets propres à un quartier, voire à un bloc.

Deux croisements de caractéristiques: [binned latitude X binned roomsPerPerson] et [binned longitude X binned roomsPerPerson]

Le binning est une bonne idée ; Cependant, une ville est la conjonction la latitude et la longitude. Ainsi, des croisements de caractéristiques distincts empêchent en apprenant les prix spécifiques à une ville.