ต่อไปคำแนะนำต่อไป
การสูญเสีย Triplet และการเรียนรู้แบบเมตริก
ความรู้พื้นฐาน
คู่มือพื้นฐาน
การเรียนรู้แบบไม่มีผู้ดูแลจะมองหาโครงสร้างในข้อมูลโดยไม่มีป้ายกำกับเป้าหมายสำหรับทุกตัวอย่าง
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
งานทั่วไป ได้แก่ การจัดกลุ่มบันทึกที่คล้ายกันและการบีบอัดการวัดมิติสูงให้เป็นมิติที่น้อยลง รูปแบบที่ค้นพบยังคงต้องมีการตีความและการตรวจสอบความถูกต้อง
การจัดกลุ่มตัวอย่างตามกฎความคล้ายคลึงกันทางคณิตศาสตร์ กฎนั้นขึ้นอยู่กับฟีเจอร์ การปรับขนาด อัลกอริธึม และการตั้งค่า กลุ่มที่พบจากความถี่ในการซื้ออาจแตกต่างจากกลุ่มที่พบในการตั้งค่าผลิตภัณฑ์ ไม่มีการรับประกันอัตโนมัติที่สอดคล้องกับหมวดหมู่ลูกค้าที่เป็นประโยชน์ การลดขนาดจะเปลี่ยนชุดการวัดให้มีขนาดเล็กลง สามารถช่วยแสดงภาพ การบีบอัด หรือโมเดลอื่นๆ ได้ รูปภาพสองมิติจะละทิ้งข้อมูล ดังนั้นระยะทางและช่องว่างที่ชัดเจนในโครงเรื่องจึงไม่ควรถือเป็นข้อเท็จจริงที่ไม่ต้องสงสัยเกี่ยวกับข้อมูลต้นฉบับ ประเมินความเสถียรโดยการเปลี่ยนตัวเลือกการประมวลผลล่วงหน้าที่เหมาะสมหรือสุ่มตัวอย่างบันทึกที่แตกต่างกัน ตรวจสอบตัวอย่างตัวแทนและขอบเขต คะแนนภายในสามารถเปรียบเทียบการจัดกลุ่มทางคณิตศาสตร์ได้ แต่ต้องตัดสินความมีประโยชน์โดยเทียบกับวัตถุประสงค์ที่แท้จริง หากมีป้ายกำกับสำหรับข้อมูลบางส่วน ก็สามารถให้การตรวจสอบภายนอกเพิ่มเติมได้ ตัวอย่างที่ผิดปกติอาจมีความสำคัญ ผิดพลาด หรือแตกต่างไปจากคนส่วนใหญ่เท่านั้น คะแนนความผิดปกติเป็นสัญญาณสำหรับการตรวจสอบ ไม่ใช่ข้อพิสูจน์การประพฤติมิชอบหรือการวินิจฉัย สร้างสิ่งที่ตามหลังการแจ้งเตือนก่อนที่จะใช้งานเครื่องตรวจจับที่ไม่ได้รับการดูแล
04ตัวอย่างการทำงาน
ลองนึกภาพสองบันทึกที่แตกต่างกันในการเข้าชม 1 ครั้งและการใช้จ่าย 1,000 ดอลลาร์ ระยะทางแบบยุคลิดดิบถูกครอบงำด้วยส่วนต่างของเงินดอลลาร์
ปรับขนาดแต่ละฟีเจอร์โดยใช้สถิติที่ติดตั้งบนชุดข้อมูลอ้างอิง จากนั้นเปรียบเทียบเพื่อนบ้านอีกครั้ง
ตรวจสอบว่ากลุ่มผลลัพธ์มีเสถียรภาพและมีประโยชน์สำหรับงานที่ระบุหรือไม่ก่อนตั้งชื่อ
มันแสดงให้เห็นอะไร
ตัวอย่างที่สร้างขึ้นนี้อธิบายตัวเลือกการสร้างแบบจำลอง มันไม่ได้สร้างวิธีการจัดกลุ่มแบบสากล
จัดกลุ่มเอกสารเพื่อให้บรรณารักษ์ตรวจสอบและตั้งชื่อ
แสดงภาพการวัดเซ็นเซอร์โดยที่ยังคงสามารถเข้าถึงขนาดดั้งเดิมได้
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
พบโครงสร้างภายใต้สมมติฐานเฉพาะ กลุ่มผลลัพธ์อาจหรืออาจจะไม่สอดคล้องกับหมวดหมู่ที่มีความหมายสำหรับการสมัคร
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
การสูญเสีย Triplet และการเรียนรู้แบบเมตริก
ความรู้พื้นฐาน