Esplora le opzioni seguenti.
In città diverse della California sono presenti prezzi di alloggi molto diversi.
Supponi di dover creare un modello per prevedere i prezzi degli alloggi. Quale dei seguenti
set di funzionalità o cross-feature può imparare
le relazioni specifiche della città tra
roomsPerPerson e
il prezzo degli alloggi?
Tre funzionalità separate: [binned latitudine],
[binned longitudine], [binned roomsPerPerson]
Il binning è utile perché consente al modello di apprendere relazioni non lineari all'interno di una singola caratteristica. Tuttavia, una città è presente in più dimensioni, pertanto per conoscere le relazioni specifiche della città è necessario attraversare la latitudine e la longitudine.
Una caratteristica trasversale: [latitudine X longitudine X
stanze per persona]
In questo esempio, l'attraversamento di elementi a valore reale non è una buona idea.
Attraverso il valore reale di, ad esempio, latitudine con
camerePerPersona consente una variazione del 10% in una caratteristica (ad esempio, latitudine)
equivalente a una variazione del 10% nell'altra caratteristica (ad esempio, camerePerPersona).
Una caratteristica trasversale: [binné latitudine X binned longitudine X binned rooms PerPerson]
L'attraversamento di latitudine binata con longitudine vincolata consente al
modello di apprendere effetti specifici della città di roomPerPerson.
Il binografia impedisce una variazione della latitudine che produce lo stesso risultato di una variazione della longitudine. A seconda della granularità dei contenitori, questa croce della funzionalità potrebbe imparare effetti specifici per città o quartiere o perfino a blocchi.
Due croci incrociati: [binned paragraph X binned rooms PerPerson]
e [binned longitudine X binned rooms PerPerson]
Il binting è una buona idea, tuttavia, una città è la congiunzione tra latitudine e longitudine, quindi croci di caratteristiche separate impediscono al modello di apprendere prezzi specifici per ciascuna città.