Dostępne opcje są opisane poniżej.
Różne miasta w Kalifornii różnią się znacznie cenami nieruchomości.
Załóżmy, że musisz utworzyć model, aby prognozować ceny nieruchomości. Który z tych zestawów funkcji lub ich krzyżówek może poznać zależność konkretnego miasta od
roomsPerPerson do ceny nieruchomości?
3 odrębne funkcje: [powiązana szerokość geograficzna],
[powiązana długość geograficzna], [powiązana przestrzeń na osobę]
Dopasowanie jest korzystne, ponieważ umożliwia modelowi uczenie się nielinearnych relacji w ramach jednej cechy. Miasto jest jednak w więcej niż jednym wymiarze, więc relacje między nimi wymagają nauki szerokości i długości geograficznej.
Jedna funkcja krzyżyka: [szerokość X długość i długość x pomieszczeń]
W tym przykładzie wykreślanie funkcji o wysokiej wartości nie jest dobrym pomysłem.
Przekroczenie rzeczywistej wartości, np. szerokości i pokojów, daje 10% zmiany w jednej funkcji (np. szerokości), co odpowiada 10% zmianie w drugiej funkcji (np. SalePerPerson).
Jedna funkcja krzyżyka: [binand width X binned length X binned po PerPer]
Przejście powiązanej szerokości geograficznej z wiązaną długością geograficzną umożliwia modelowi poznanie sal konferencyjnych w poszczególnych miastach.
Blokowanie ogranicza się od zmiany szerokości geograficznej, która zapewnia taki sam wynik jak zmiana długości geograficznej. W zależności od stopnia szczegółowości kontenerów, ta funkcja może poznać efekty zależne od miasta, dzielnicy lub nawet bloków.
Dwa krzyżyki krzyżyka: [powiązana szerokość geograficzna X binna osobaNa osobę] i [powiązana długość geograficzna X binowana sala na osobę]
Wycinek to dobry pomysł, ale miasto to połączenie szerokości i długości geograficznej, więc osobne krzyże obiektów uniemożliwiają modelowi uczenie się cen obowiązujących w danym mieście.