23.6.1.1 Output Estimates Change (Y

23.6.1.1 Output Estimates Change (Y-Change)

This approach [42] operates on the principle that if rating estimates do not change
then they will not improve. Thus, if the estimates of output values do change, then
their accuracy may either increase or decrease. However, it is expected that at least
something will be learned from a new training point, so it follows then that in many
cases estimates do in fact become more accurate. Assuming that most changes in
estimates are for the better, an item that causes many estimates to change will result
in the improvement of many estimates, and is considered useful.
As an example (Figure 23.6), if a user rates an item that is representative of a
large genre, such as the Sci-Fi movie Star Wars, then its rating (regardless of its
value) will likely cause a change in rating estimates for many other related items
(e.g. items within that genre), in other words, rating such a representative item is
very informative about the user’s preferences. On the other hand, the user rating
an item without many other similar items, such as the movie The Goldfish Hunter,
would change few rating estimates, and supply little information.
To find the expected changes in rating estimates caused by a candidate item’s
rating, all possible item ratings are considered (since the true rating of a candidate
item is not yet known). The difference is calculated between rating estimates for
each item for each of its possible ratings, before and after it was added to the training
set (refer to the pseudocode in Algorithm 1).
More formally the above criterion could be expressed as:

ผลลัพธ์ (ไทย) 1:

23.6.1.1 ผลประเมินการเปลี่ยนแปลง (การเปลี่ยนแปลง Y)วิธีการนี้ [42] ทำงานบนหลักการว่าถ้าไม่เปลี่ยนคะแนนประเมินแล้วพวกเขาจะไม่พัฒนา ดังนั้น ถ้าการประเมินผลลัพธ์การเปลี่ยนแปลง แล้วความถูกต้องของอาจเพิ่ม หรือลด อย่างไรก็ตาม เป็นที่คาดหวังที่น้อยสิ่งที่จะได้เรียนรู้จากจุดฝึกอบรมใหม่ เพื่อให้เป็นไปตามนั้นซึ่งในกรณีประเมินจริงเป็นความถูกต้องมากขึ้น ทะลึ่งที่สุดในการเปลี่ยนแปลงประเมินดีกว่า สินค้าที่ทำการประเมินในการเปลี่ยนแปลงจะส่งผลในการปรับปรุงในการประเมิน และพิจารณาว่ามีประโยชน์เป็นตัวอย่าง (รูป 23.6), ถ้าผู้ใช้ราคาสินค้าที่เป็นตัวแทนของการประเภทขนาดใหญ่ เช่นภาพยนตร์วิทยาศาสตร์สตาร์วอร์ส แล้วความ (ไม่ว่าเป็นมูลค่า) จะมีแนวโน้มทำให้การเปลี่ยนแปลงในคะแนนประเมินสำหรับหลายรายการ(เช่นสินค้าในประเภทที่), ในคำอื่น ๆ จัดอันดับสินค้าพนักงานจะมากข้อมูลเกี่ยวกับลักษณะของผู้ใช้ บนมืออื่น ๆ การจัดอันดับผู้ใช้สินค้าไม่มากเหมือนรายการอื่น ๆ เช่นภาพยนตร์เดอะฮันเตอร์ Goldfishจะเปลี่ยนกี่คะแนนประเมิน และข้อมูลน้อยเพื่อ find การเปลี่ยนแปลงที่คาดไว้ในการประเมินการจัดอันดับสาเหตุของสินค้าผู้สมัครจัดอันดับ จัดอันดับสินค้าได้ทั้งหมดจะพิจารณา (ตั้งแต่ผู้จัดจริงสินค้าจะไม่ได้รู้จักกัน) มีคำนวณความแตกต่างระหว่างคะแนนประเมินสำหรับสินค้าแต่ละรายการสำหรับแต่ละได้จัดอันดับ ก่อน และหลัง จากนั้นเพิ่มการฝึกอบรมตั้ง (ถึงรหัสเทียมในอัลกอริทึม 1)อย่างเป็นกิจจะลักษณะมากขึ้นสามารถแสดงเงื่อนไขข้างต้นเป็น:

ผลลัพธ์ (ไทย) 2:

23.6.1.1 ประมาณการเอาท์พุทเปลี่ยน (Y-Change) วิธีการนี้ [42] ทำงานบนหลักการที่ว่าถ้าประมาณการคะแนนไม่เปลี่ยนแล้วพวกเขาก็จะไม่ปรับปรุง ดังนั้นหากประมาณการของค่าการส่งออกจะเปลี่ยนแล้วความถูกต้องของพวกเขาอาจจะเพิ่มขึ้นหรือลดลง อย่างไรก็ตามเป็นที่คาดหวังว่าอย่างน้อยสิ่งที่จะได้รับการเรียนรู้จากการฝึกอบรมจุดใหม่เพื่อให้เป็นไปตามนั้นว่าในหลายกรณีการประมาณการในความเป็นจริงจะกลายเป็นถูกต้องมากขึ้น สมมติว่ามีการเปลี่ยนแปลงมากที่สุดในประมาณการให้ดีขึ้นรายการที่เป็นสาเหตุของการประมาณการจำนวนมากมีการเปลี่ยนแปลงจะส่งผลในการปรับปรุงประมาณการจำนวนมากและถือว่าเป็นประโยชน์. เป็นตัวอย่าง (รูปที่ 23.6) หากผู้ใช้อัตรารายการที่เป็นตัวแทน ของประเภทขนาดใหญ่เช่นภาพยนตร์ Sci-Fi Star Wars, แล้วการจัดอันดับ (โดยไม่คำนึงถึงของค่า) มีแนวโน้มที่จะก่อให้เกิดการเปลี่ยนแปลงประมาณการคะแนนสำหรับหลายรายการที่เกี่ยวข้องอื่น ๆ(เช่นรายการในประเภทนั้น) ในคำอื่น ๆ ที่ให้คะแนน ดังกล่าวเป็นรายการที่เป็นตัวแทนของข้อมูลมากเกี่ยวกับการตั้งค่าของผู้ใช้ ในทางกลับกันผู้ใช้ให้คะแนนรายการโดยไม่มีรายการอื่นที่คล้ายคลึงกันเป็นจำนวนมากเช่นหนังสายทอง Hunter ดวลจุดโทษ, จะเปลี่ยนประมาณการคะแนนน้อยและให้ข้อมูลเล็ก ๆ น้อย ๆ . ไปยัง FI ครั้งที่มีการเปลี่ยนแปลงที่คาดไว้ในประมาณการคะแนนที่เกิดจากรายการของผู้สมัครให้คะแนน การจัดอันดับทุกรายการเป็นไปได้ที่จะมีการพิจารณา (ตั้งแต่คะแนนที่แท้จริงของผู้สมัครที่รายการยังไม่ทราบ) ความแตกต่างระหว่างที่มีการคำนวณประมาณการคะแนนสำหรับแต่ละรายการสำหรับแต่ละคะแนนที่เป็นไปได้ก่อนและหลังจากที่มันถูกเพิ่มเข้ามาในการฝึกอบรมชุด (หมายถึง pseudocode ในอัลกอริทึม 1). อื่น ๆ อย่างเป็นทางการเกณฑ์ดังกล่าวข้างต้นอาจจะแสดงเป็น:

ผลลัพธ์ (ไทย) 3:

23.6.1.1 ประมาณการผลผลิตเปลี่ยนแปลง ( y-change )

วิธีนี้ [ 42 ] ทำงานบนหลักการว่า หากคะแนนประเมินไม่เปลี่ยน
แล้วพวกเขาจะไม่ปรับปรุง ดังนั้นหากประมาณการผลผลิตค่าทำเปลี่ยนแล้ว
ความถูกต้องของพวกเขาอาจจะเพิ่มหรือลด อย่างไรก็ตาม คาดว่าอย่างน้อย
สิ่งที่จะเรียนรู้จากจุดฝึกอบรมใหม่ เพื่อให้มันเป็นไปตามนั้นในหลาย
ประมาณการกรณีในความเป็นจริงกลายเป็นที่ถูกต้องมากขึ้น สมมติว่าส่วนใหญ่การเปลี่ยนแปลง
ประมาณการสำหรับกว่ารายการที่ทำให้ประมาณการหลายเปลี่ยนจะมีผล
ในการปรับปรุงประมาณการมาก และถือว่าเป็นประโยชน์
เป็นตัวอย่าง ( รูปงาน ) ถ้าผู้ใช้อัตราสินค้าที่เป็นตัวแทนของ
ประเภทขนาดใหญ่ เช่น นิยายวิทยาศาสตร์ภาพยนตร์สตาร์ วอร์ส แล้วคะแนน ( โดยไม่คำนึงถึงของ
ค่า ) อาจจะทำให้เกิดการเปลี่ยนแปลงในการจัดอันดับดังกล่าวอีกหลายรายการที่เกี่ยวข้อง เช่น รายการภายในประเภทที่
) ในคำอื่น ๆ ( เช่น ตัวแทนสินค้า
เป็นข้อมูลเกี่ยวกับการตั้งค่าของผู้ใช้ บนมืออื่น ๆ , การประเมินผู้ใช้
รายการโดยไม่ต้องหลายรายการที่คล้ายกันอื่น ๆเช่น หนัง ทองคำจึงอาจล่า
จะเปลี่ยนประมาณการคะแนนน้อยและจัดหาข้อมูลเล็ก ๆน้อย ๆ .
เพื่อถ่ายทอดและคาดว่าการเปลี่ยนแปลงในคะแนนการประเมินจากการประเมินผู้สมัครของรายการจัดอันดับเป็นไปได้
รายการทั้งหมดจะถูกพิจารณา ( เนื่องจากคะแนนที่แท้จริงของรายการผู้สมัคร
ยังไม่ทราบ ) ความแตกต่างระหว่างประมาณการคำนวณคะแนนสำหรับแต่ละรายการของแต่ละอันดับ
เป็นไปได้ก่อนและหลังจากที่มันถูกเพิ่มการฝึกอบรม
ชุด ( อ้างอิงถึงรหัสเทียมในขั้นตอนวิธี
1 )มากกว่าเป็นเกณฑ์ข้างต้นสามารถแสดงเป็น :