Confira as opções abaixo.
Cada cidade na Califórnia tem diferentes
preços de imóveis.
Suponha que você precise criar um modelo para prever valores de moradias. Qual dos seguintes conjuntos de atributos ou cruzamentos de atributos pode aprender relações específicas de cidade entre
roomsPerPerson e preço de imóveis?
Três atributos agrupados separados: [latitude agrupada], [longitude agrupada], [quartos por pessoa agrupados]
A vinculação é boa porque permite que o modelo aprenda relações não lineares
em um único atributo. No entanto, uma cidade existe em
mais de uma dimensão. Portanto, aprender relações específicas
da cidade requer o cruzamento de latitude e longitude.
Um cruzamento de atributos: [latitude X longitude X
roomPerPerson]
Neste exemplo, não é recomendável cruzar atributos reais.
Por exemplo, cruzar o valor real de latitude com
roomPerPerson permite que uma mudança de 10% em um recurso (por exemplo, latitude)
seja equivalente a uma mudança de 10% no outro recurso (por exemplo,
roomPerPerson).
Um cruzamento de atributos: [latitude agrupada por X X longitude agrupada X salas agrupadas por pessoa]
Com o cruzamento da latitude e a longitude agrupadas, o modelo pode aprender os efeitos específicos de cidades por roomPorPerson.
Isso evita que uma alteração na latitude produza o mesmo resultado que uma alteração na longitude. Dependendo da granularidade dos agrupamentos, esse cruzamento de atributos pode aprender efeitos específicos da cidade, do bairro ou até mesmo do bloco.
Dois cruzamentos de atributos: [binned latitude X binned roomsPerPerson]
e [binned longitude X binned roomsPerPerson]
Agrupamento por classes é uma boa ideia, mas uma cidade é o conjunto de latitude e longitude. Portanto, cruzamentos de atributos separados impedem que o modelo aprenda preços específicos de cada cidade.