23.1.2 An Illustrative ExampleLet u

23.1.2 An Illustrative Example

Let us look at a concrete example of Active Learning in a Recommender System.
This is only meant to demonstrate concepts, so it is oversimplified. Please note that
the similarity metric may differ depending on the method used; here, movies are
assumed to be close to one another if they belong to the same genre. Figure 23.1
shows two charts, the leftmost is our starting state, in which we have already asked
the user to rate a movie within the upper right group, which we will say is the SciFi genre. The right chart shows us four possibilities for selecting our next training
point: (a), (b), (c), or (d). If we select the training point (a) which is an obscure
movie (like The Goldfish Hunter), it does not affect our predictions because no
other movies (points) are nearby. If we select the training point (b), we can predict
the values for the points in the same area, but these predictions are already possible
from the training point in the same area (refer to the chart on the left). If training

ผลลัพธ์ (ไทย) 1:

23.1.2 ตัวอย่างแสดงให้เราดูตัวอย่างที่ชัดเจนของการเรียนรู้ที่ใช้ในระบบผู้แนะนำเท่านี้จะหมายถึงแสดงให้เห็นถึงแนวคิด ดังนั้นจึง oversimplified โปรดสังเกตว่าการวัดความคล้ายคลึงกันอาจแตกต่างกันวิธีการที่ใช้ นี่ เป็นภาพยนตร์ถือว่าอยู่ใกล้กันถ้าพวกเขาอยู่ในประเภทเดียวกันกับ รูปที่ 23.1แสดงแผนภูมิสอง ซ้ายสุดจะเป็นสถานะเริ่มต้นของเรา ซึ่งเรามีอยู่แล้วถามผู้ใช้การจัดอันดับภาพยนตร์ภายในด้านบนขวาได้ ซึ่งเราจะบอกว่า เป็นประเภท SciFi แผนภูมิถูกแสดงไปสี่สำหรับเลือกฝึกอบรมต่อไปจุด: (ก), (b), (c) หรือ (d) ถ้าเราเลือกฝึกจุด (a) ซึ่งเป็นการบดบังภาพยนตร์ (เช่น Goldfish เดอะฮันเตอร์), มันไม่มีผลต่อการคาดคะเนของเราเนื่องจากไม่ภาพยนตร์เรื่องอื่น (จุด) อยู่ไม่ไกล ถ้า เราเลือกจุดฝึกอบรม (b), เราสามารถคาดการณ์ค่าจุดในบริเวณเดียวกัน แต่คาดการณ์เหล่านี้อยู่ได้จากจุดฝึกอบรมในพื้นที่เดียวกัน (ดูแผนภูมิทางด้านซ้าย) ถ้าการฝึกอบรม

ผลลัพธ์ (ไทย) 2:

23.1.2 ตัวอย่างตัวอย่างให้เราดูที่ตัวอย่างที่เป็นรูปธรรมของการเรียนรู้ที่ใช้งานอยู่ในระบบ Recommender. นี้มีขึ้นเพียงเพื่อที่จะแสดงให้เห็นถึงแนวความคิดจึงเป็นสิ่งที่เอ็ดสาย oversimpli โปรดทราบว่าตัวชี้วัดความคล้ายคลึงกันอาจแตกต่างกันขึ้นอยู่กับวิธีการที่ใช้; ที่นี่, ภาพยนตร์มีการสันนิษฐานว่าจะใกล้เคียงกับอีกคนหนึ่งถ้าพวกเขาอยู่ในประเภทเดียวกัน รูปที่ 23.1 แสดงให้เห็นว่าทั้งสองแผนภูมิซ้ายสุดเป็นรัฐเริ่มต้นของเราในการที่เราได้ถามแล้วผู้ใช้ให้คะแนนภาพยนตร์ภายในกลุ่มขวาบนซึ่งเราจะบอกว่าเป็นประเภท SciFi แผนภูมิแสดงให้เราเห็นทางด้านขวาสี่เป็นไปได้สำหรับการเลือกฝึกอบรมของเราต่อไปจุด (ก) (ข) (ค) หรือ (ง) ถ้าเราเลือกจุดฝึกอบรม (ก) ซึ่งเป็นที่คลุมเครือภาพยนตร์ (เช่นสายทองดวลจุดโทษฮันเตอร์) ก็ไม่ได้ส่งผลกระทบต่อการคาดการณ์ของเราเพราะไม่มีหนังเรื่องอื่น ๆ (คะแนน) ในบริเวณใกล้เคียง ถ้าเราเลือกจุดฝึกอบรม (ข) เราสามารถคาดการณ์ค่าสำหรับจุดในพื้นที่เดียวกัน แต่คาดการณ์เหล่านี้มีอยู่แล้วเป็นไปได้จากจุดฝึกอบรมในพื้นที่เดียวกัน (โปรดดูกราฟด้านซ้าย) หากการฝึกอบรม

ผลลัพธ์ (ไทย) 3:

23.1.2 ตัวอย่าง

ตัวอย่างให้เราดูในตัวอย่างรูปธรรมของกิจกรรมการเรียนรู้ในระบบแนะนำ .
นี่ แค่ตั้งใจจะแสดงให้เห็นถึงแนวคิด ดังนั้นมันจึง oversimpli . โปรดทราบว่า
ความเหมือน ( อาจแตกต่างกันขึ้นอยู่กับวิธีการที่ใช้ นี่ หนัง
ถือว่าอยู่ใกล้กันถ้า พวกเขาอยู่ในประเภทเดียวกัน รูปที่ 1.12
แสดงสองแผนภูมิซ้ายสุดคือ ของเรา เริ่ม รัฐ ที่เราได้ถาม
ผู้ใช้ให้คะแนนหนังภายในกลุ่มขวาบน ซึ่งเราจะพูดคือ SciFi ประเภท แผนภูมิที่เหมาะสมแสดงให้เห็นความเป็นไปได้ในการเลือกสี่จุดฝึกอบรม
ของเราต่อไป : ( a ) , ( b ) , ( c ) , หรือ ( D ) ถ้าเราเลือกจุดฝึกอบรม ( ) ซึ่งเป็นภาพยนตร์ปิดบัง
( ชอบจึงทองดวลจุดโทษ ฮันเตอร์ )มันไม่ส่งผลกระทบต่อการคาดการณ์ของเรา เนื่องจากไม่มี
หนังอื่น ๆ ( จุด ) อยู่บริเวณใกล้เคียง ถ้าเราเลือกจุดฝึกอบรม ( B ) เราสามารถทำนาย
ค่าสําหรับจุดในพื้นที่เดียวกัน แต่การคาดการณ์เหล่านี้มีอยู่แล้วเป็นไปได้
จากการฝึกอบรมจุดในพื้นที่เดียวกัน ( ดูแผนภูมิที่ด้านซ้าย ) ถ้าฝึก