Esplora le opzioni seguenti.

Supponiamo che un negozio di scarpe online voglia creare un modello di ML supervisionato che fornisca agli utenti suggerimenti personalizzati sulle scarpe. Ciò significa che il modello consiglierà alcune paia di scarpe a Marte e diverse paia di scarpe a Gianna. Il sistema utilizzerà i dati sul comportamento degli utenti precedenti per generare dati di addestramento. Quali delle seguenti affermazioni sono vere?

"Taglia scarpe" è una funzionalità utile.

"Numero delle scarpe" è un indicatore quantificabile che probabilmente ha un forte impatto sul modo in cui l'utente apprezzerà le scarpe consigliate. Ad esempio, se Marty indossa la taglia 9, la modella dovrebbe consigliare la taglia 7.

"Bellezza scarpe" è una funzionalità utile.

Le caratteristiche efficaci sono concrete e quantificabili. La bellezza è troppo vaga per essere un concetto utile. La bellezza è probabilmente una fusione di alcune caratteristiche concrete, come lo stile e il colore. Stile e colore sarebbero entrambi funzionalità migliori della bellezza.

"L'utente ha fatto clic sulla descrizione della scarpa" è un'etichetta utile.

Probabilmente gli utenti vogliono solo leggere ulteriori informazioni sulle scarpe che preferiscono. I clic degli utenti rappresentano quindi una metrica osservabile e quantificabile che potrebbe essere una buona etichetta di addestramento. Poiché i dati di addestramento derivano dal comportamento passato dell'utente, le nostre etichette devono derivare da comportamenti oggettivi come i clic che sono strettamente correlati alle preferenze dell'utente.

"Scarpe che un utente adora" è un'etichetta utile.

L'adorazione non è una metrica osservabile e quantificabile. La cosa migliore che possiamo fare è cercare le metriche del proxy osservabili per l'adorazione.