아래 옵션을 살펴보세요.

온라인 신발 매장에서 사용자에게 맞춤 신발 추천을 제공하는 지도 ML 모델을 만들고자 한다고 가정해 보겠습니다. 즉, 이 모델은 마르티에게 특정 신발을 추천하고 자네에게 다른 신발을 추천합니다. 시스템에서 과거 사용자 행동 데이터를 사용하여 학습 데이터를 생성합니다. 다음 중 올바른 설명은 무엇인가요?

'신발 크기'는 유용한 특성입니다.

'신발 크기'는 사용자가 추천된 신발을 좋아할지 여부에 큰 영향을 미칠 만한 정량적 신호입니다. 예를 들어 마티가 사이즈 9를 착용하는 경우 모델이 사이즈 7 신발을 추천하면 안 됩니다.

'신발 뷰티'는 유용한 특성입니다.

좋은 특성은 구체적이고 수량화할 수 있어야 합니다. 뷰티는 모호하게 느껴질 정도로 유용한 기능이라고는 할 수 없습니다. 뷰티는 아마도 스타일, 색상 등 구체적인 특징이 혼합된 것입니다. 스타일과 색상은 각각 뷰티보다 더 나은 특징입니다.

사용자가 신발 설명을 클릭했을 때 유용한 라벨입니다.

사용자는 마음에 드는 신발에 관해서만 읽기를 원합니다. 따라서 사용자의 클릭수는 좋은 학습 라벨 역할을 할 수 있는 관찰 가능하고 수치화 가능한 측정항목입니다. 학습 데이터는 과거 사용자 행동에서 파생되므로 라벨은 사용자 환경설정과 밀접한 관련이 있는 클릭과 같은 객관적인 행동에서 파생되어야 합니다.

'사용자가 좋아하는 신발'은 유용한 라벨입니다.

사랑은 관찰 가능한 정량적 측정항목이 아닙니다. 가능한 가장 좋은 방법은 관측을 위한 관찰 가능한 프록시 측정항목을 검색하는 것입니다.