Sehen Sie sich die folgenden Optionen an.
Unterschiedliche Städte in Kalifornien haben deutlich abweichende Wohnungspreise.
Angenommen, Sie müssen ein Modell erstellen, um die Immobilienpreise vorherzusagen. Mit welchen der folgenden Merkmale oder Funktionskreuzungen können Sie stadtspezifische Beziehungen zwischen
roomsPerPerson und Immobilienpreisen lernen?
Drei separate gruppierte Funktionen: [gruppierter Breitengrad], [gruppierter Längengrad], [gruppierte RäumeProPerson]
Das Gruppieren ist gut, da es dem Modell ermöglicht, nicht lineare Beziehungen innerhalb eines einzelnen Features zu erlernen. Eine Stadt ist jedoch in mehr als einer Dimension vorhanden. Das Erlernen stadtspezifischer Beziehungen erfordert daher das Verknüpfen von Breiten- und Längengraden.
Eine Funktionsverknüpfung: [Breitengrad X Längengrad X
RäumeProPerson]
In diesem Beispiel ist das Verknüpfen von Funktionen mit realen Werten keine gute Idee.
Wenn Sie den tatsächlichen Wert des Breitengrads mit ZimmerPerPerson definieren, entspricht dies einer Änderung von 10% in einem Merkmal, z. B. dem Breitengrad, einer Änderung von 10% im anderen Merkmal, z. B.roomsPerPerson.
Eine Funktionsverknüpfung: [gruppierter Breitengrad X gruppierter Längengrad X gruppierte ZimmerProPerson]
Durch Verknüpfen des gruppierten Breitengrads mit dem gruppierten Längengrad kann das Modell die stadtspezifischen Auswirkungen von ZimmerProPerson erlernen.
Durch das Gruppieren wird eine Änderung des Breitengrads verhindert, die zu demselben Ergebnis wie eine Änderung des Längengrads führt. Je nach Detaillierungsgrad der Bins kann dieses Feature-Kreuz stadt- oder stadtspezifische oder sogar blockspezifische Effekte erlernen.
Zwei Funktionskreuzungen: [gruppierter Breitengrad X gruppierte ZimmerProPerson] und [gruppierter Längengrad X gruppierte ZimmerProPerson]
Das Gruppieren ist eine gute Idee. Eine Stadt ist jedoch die Verbindung von Breiten- und Längengrad, sodass separate Funktionskreuzungen verhindern, dass das Modell stadtspezifische Preise lernt.