机器学习速成课程的全新改进版本将于 2024 年 8 月推出。敬请期待!
数据依赖项:检查您的理解情况
使用集合让一切井井有条
根据您的偏好保存内容并对其进行分类。
查看以下选项。
以下哪个模型容易受到反馈环的影响?
这是一款路况预测模型,使用海滩拥挤程度作为一项特征,可预测靠近海滩的高速公路出口的拥堵情况。
部分海滩旅行者可能会根据流量预测来制定计划。如果海滩非常拥挤,流量预计会非常拥堵,很多人可能会制定备选计划。这可能会降低海滩的出水率,导致交通量减少,进而可能增加游客人数,并反复循环。
图书推荐模型 - 根据小说的受欢迎程度(即图书的购买次数)向用户推荐其可能喜欢的小说。
图书推荐很有可能促成购买,并且这些额外的销售将作为输入反馈到模型中,使未来更有可能推荐这些图书。
大学排名模型,用于根据选择程度(即申请成功的学生所占百分比)对学校进行评分。
此模型的排名可能会促使高评分学校更感兴趣,从而增加申请数量。如果这些学校继续招收相同数量的学生,则选择率会增大(录取的学生比例会下降)。这将提高这些学校的排名,从而进一步提高潜在学生的兴趣,等等...
选举结果模型,通过在投票活动结束后对 2% 的选民进行问卷调查,预测市长竞选的获胜者。
如果模型在投票结束后才发布预测,则其预测不可能影响选民行为。
住房价值模型,使用大小(面积以平方米为单位)、卧室数量和地理位置作为特征来预测房价。
无法快速根据房价预测更改房屋的位置、大小或卧室数量,不可能形成反馈环。但是,卧室大小和卧室数量之间可能存在关联(大型住宅可能拥有更多房间),可能需要拆分这些房间。
人脸检测模型:检测照片中的人是否在微笑(根据每月自动更新的图库照片数据库进行训练)。
此处没有反馈环,因为模型预测不会对我们的照片数据库产生任何影响。但是,我们在这里需要关注输入数据的版本控制,因为这些每月更新可能会对模型产生不可预知的影响。
如未另行说明,那么本页面中的内容已根据知识共享署名 4.0 许可获得了许可,并且代码示例已根据 Apache 2.0 许可获得了许可。有关详情,请参阅 Google 开发者网站政策。Java 是 Oracle 和/或其关联公司的注册商标。
最后更新时间 (UTC):2022-09-27。
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"没有我需要的信息"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"太复杂/步骤太多"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"内容需要更新"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"翻译问题"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"示例/代码问题"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"其他"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"易于理解"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"解决了我的问题"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"其他"
}]