Hãy khám phá các lựa chọn bên dưới.

Các thành phố khác nhau ở California có sự khác biệt rõ rệt giá nhà ở. Giả sử bạn phải tạo một mô hình để dự đoán giá nhà ở. Mục nào trong số Các tính năng hoặc tính năng kết hợp sau đây có thể mối quan hệ dành riêng cho thành phố giữa roomsPerPerson và giá nhà đất?

Ba đối tượng địa lý dạng thùng riêng biệt: [binned latitude], [ kinh độ binned, [binned phòngPerPerson]

Việc kết hợp là tốt vì nó cho phép mô hình tìm hiểu phi tuyến tính mối quan hệ bên trong một đối tượng đơn lẻ. Tuy nhiên, một thành phố tồn tại ở nhiều phương diện, vì vậy, việc tìm hiểu mối quan hệ của từng thành phố phải vượt qua vĩ độ và kinh độ.

Một đối tượng giao cắt: [vĩ độ X kinh độ X roomsPerPerson]

Trong ví dụ này, việc chuyển qua các đối tượng có giá trị thực không phải là một ý hay. Giao cắt giá trị thực của vĩ độ với phòngPerPerson cho phép thay đổi 10% trong một tính năng (ví dụ: vĩ độ) tương đương với thay đổi 10% trong tính năng còn lại (ví dụ: phòngPerPerson).

Một đối tượng địa lý có chữ thập: [binned latitude X binned EEA X binned) roomsPerPerson]

Giao cắt vĩ độ phân cực với kinh độ phân cực cho phép để tìm hiểu các hiệu ứng theo thành phố cụ thể của phòngPerPerson. Việc kết hợp ô ngăn chặn sự thay đổi về vĩ độ dẫn đến kết quả tương tự dưới dạng thay đổi về kinh độ. Tuỳ thuộc vào độ chi tiết của các thùng, tính năng này có thể tìm hiểu cụ thể thành phố hoặc hiệu ứng cụ thể cho vùng lân cận hoặc thậm chí là hiệu ứng theo khối cụ thể.

Hai đối tượng cắt: [binned latitude X binned RoomPerPerson] và [binned EEA X binned roomPerPerson]

Kết hợp là một ý hay; tuy nhiên, một thành phố là sự kết hợp của vĩ độ và kinh độ, nên các đối tượng giao cắt riêng biệt sẽ ngăn dựa trên mô hình giá tại từng thành phố.