नीचे दिए गए विकल्प देखें.
नीचे दिए गए किस मॉडल में फ़ीडबैक लूप की संभावना
है?
ट्रैफ़िक के बारे में अनुमान लगाने वाला यह मॉडल, हाइवे के बाहर मौजूद ट्रैफ़िक में
भीड़-भाड़ का अनुमान लगाता है. इसके लिए, बीच पर मौजूद भीड़ का एक फ़ीचर के तौर पर इसका इस्तेमाल किया जाता है.
कुछ समुद्र तट ट्रैफ़िक के पूर्वानुमान के मुताबिक अपने प्लान को आधार बना सकते हैं. अगर समुद्र तट पर भीड़ मौजूद है और ट्रैफ़िक बहुत ज़्यादा रहने का अनुमान है, तो कई लोग वैकल्पिक प्लान बना सकते हैं. इससे बीच के ट्रैफ़िक में गिरावट आ सकती है, जिससे ट्रैफ़िक का अनुमान कम हो सकता है. ऐसा होने पर, यह ट्रैफ़िक बढ़ सकता है और साइकल भी दोहराया जा सकता है.
किताबों के सुझाव का मॉडल, जो सुझाव देता है कि उसके उपयोगकर्ता
किताब की लोकप्रियता के आधार पर उसे पसंद कर सकें. जैसे, किताबें कितनी बार खरीदी गई हैं.
किताब के सुझाव देने से खरीदारी बढ़ सकती है. इसलिए, ये बिक्री लगातार मॉडल के हिसाब से डाली जाएगी. इससे, आने वाले समय में इन किताबों के सुझाव देने की संभावना बढ़ जाएगी.
विश्वविद्यालय का एक रैंकिंग मॉडल. यह स्कूल को उनकी चुनी हुई कैटगरी के हिसाब से रेटिंग देता है. यह उन छात्र-छात्राओं का प्रतिशत है जिन्होंने पढ़ाने के लिए आवेदन किया था.
मॉडल की रेटिंग से, सबसे अच्छी रेटिंग वाले स्कूल और भी ज़्यादा रुचि ले सकते हैं. इससे, उनके ऐप्लिकेशन की संख्या बढ़ जाती है. अगर ये स्कूल
पहले की तरह ही छात्र-छात्राओं को शामिल करते हैं, तो उनके लिए
चुने गए छात्र-छात्राओं की संख्या घट जाएगी. इससे
ये स्कूल और उसकी रैंकिंग बेहतर होगी. साथ ही, इससे छात्र-छात्राओं की दिलचस्पी में भी बढ़ोतरी होगी. इसके अलावा, और भी बहुत कुछ...
चुनाव के नतीजों से जुड़ा ऐसा मॉडल जो मेयर के रेस के विजेता का अनुमान लगाता है. यह सर्वे, चुनाव खत्म होने के बाद 2% वोटर के सर्वे से होता है.
अगर मॉडल पोल के बंद होने तक अपना अनुमान पब्लिश नहीं करता है, तो वोटर के व्यवहार पर उसके अनुमानों का असर नहीं पड़ेगा.
हाउसिंग-वैल्यू का मॉडल, जिसमें घर की कीमतों का अनुमान लगाया जाता है. इसके लिए,
साइज़ (स्क्वेयर मीटर में एरिया), बेडरूम की संख्या, और भौगोलिक जगह
को सुविधाओं के तौर पर इस्तेमाल किया जाता है.
किराया हालांकि, बेडरूम और बड़े घरों की संख्या में फ़र्क़ हो सकता है. हो सकता है कि उन्हें अलग-अलग टीज़ करना पड़े.
चेहरे की पहचान करके बनाए गए एट्रिब्यूट की मदद से, यह पता लगाया जाता है कि कोई व्यक्ति फ़ोटो में मुस्कुरा रहा है या नहीं.
इसे नियमित तौर पर, हर महीने अपने-आप अपडेट होने वाली स्टॉक फ़ोटोग्राफ़ी के डेटाबेस के लिए ट्रेनिंग दी जाती है.
यहां कोई फ़ीडबैक लूप नहीं है, क्योंकि मॉडल के सुझावों का हमारे फ़ोटो डेटाबेस पर कोई असर नहीं पड़ता है. हालांकि, यहां अपने इनपुट
डेटा का वर्शन बनाना चिंता का विषय है. इसकी वजह यह है कि हर महीने होने वाले इन अपडेट का मॉडल पर संभावित असर हो सकता है.