Confira as opções abaixo.

Imagine que uma loja de sapatos on-line queira criar um modelo de ML supervisionado que fornecerá recomendações personalizadas de calçados aos usuários. Ou seja, o modelo recomendará determinados pares de sapatos para Marty e diferentes pares de sapatos para Janet. O sistema vai usar dados de comportamento do usuário anteriores para gerar dados de treinamento. Quais das seguintes afirmações são verdadeiras?

"Tamanho do calçado" é uma característica útil.

"Tamanho do calçado" é um sinal quantificável que provavelmente tem um forte impacto sobre se o usuário gostará dos sapatos recomendados. Por exemplo, se Marty usar o tamanho 9, o modelo não poderá recomendar calçados tamanho 7.

"Beleza" é um recurso útil.

Bons atributos são concretos e quantificáveis. Beleza é um conceito muito vago para servir como um recurso útil. A beleza é uma mistura de certos recursos concretos, como estilo e cor. O estilo e a cor seriam recursos melhores do que a beleza.

"O usuário clicou na descrição do calçado" é um marcador útil.

Os usuários provavelmente querem apenas ler mais sobre os calçados de que gostam. Portanto, os cliques por usuários são uma métrica observável e quantificável que pode servir como um bom rótulo de treinamento. Como nossos dados de treinamento são derivados do comportamento anterior do usuário, nossos rótulos precisam derivar de comportamentos objetivos, como cliques que se correlacionam fortemente às preferências do usuário.

"Calçados que um usuário adora" é uma etiqueta útil.

A adoração não é uma métrica observável e quantificável. O melhor que podemos fazer é pesquisar métricas de proxy observáveis para adoração.