17.4.3 Choosing Weights Using Poiss

17.4.3 Choosing Weights Using Poisson Regression
There are three reasons why we cannot use the coefficients bkℓ resulting from the
Poisson regression model as weights directly. The first reason is that dissimilarity
scores and attributes do not have the same scale. Second, uncertainty about the
correctness of the coefficient is not taken into account when using bkℓ directly. Although
the value of a coefficient can be relatively high, it can still be unimportant.
Consider, for example, a dummy attribute having very few 1’s and a high coefficient
value. Then, this high impact of the coefficient is only applicable to a limited number
of items and its total importance is limited. By taking the uncertainty we have
into account, we can correct for this. Third, weights should always be equal to or
larger than 0, while bkℓ can also be negative.
The first two problems can be overcome by using the t-value

ผลลัพธ์ (ไทย) 1:

17.4.3 เลือกน้ำหนักที่ใช้ปัวซองถดถอยมี 3 เหตุผลที่ทำไมเราไม่ใช้ bkℓ สัมประสิทธิ์ที่เป็นผลมาจากการแบบจำลองถดถอยปัวเป็นน้ำหนักโดยตรง เหตุผลแรกคือ dissimilarity นั้นคะแนนและแอตทริบิวต์ไม่มีมาตราส่วนเดียวกัน ที่สอง ความไม่แน่นอนเกี่ยวกับการความถูกต้องของค่าสัมประสิทธิ์จะไม่นำมาพิจารณาเมื่อใช้ bkℓ โดยตรง ถึงแม้ว่าค่าของสัมประสิทธิ์ความสามารถค่อนข้างสูง ยังสามารถไม่สำคัญพิจารณา เช่น มีน้อยมาก 1 และสัมประสิทธิ์สูงแอตทริบิวต์แบบกระพริบค่า แล้ว ผลกระทบต่อค่าสัมประสิทธิ์นี้สูงเป็นเพียงจำนวนจำกัดของสินค้าและความสำคัญทั้งหมดถูกจำกัด โดยการที่เรามีความไม่แน่นอนบัญชี เราสามารถแก้ไขนี้ ที่สาม น้ำหนักเสมอควรเท่ากับ หรือมีขนาดใหญ่กว่า 0 ในขณะที่ bkℓ นอกจากนี้ยังสามารถเป็นค่าลบสามารถเอาชนะปัญหาสอง โดยใช้ค่า t

ผลลัพธ์ (ไทย) 2:

17.4.3 การเลือกใช้น้ำหนัก Poisson ถดถอย
มีสามเหตุผลว่าทำไมเราไม่สามารถใช้ค่าสัมประสิทธิ์bkℓที่เกิดจาก
รูปแบบการถดถอยปัวซองเป็นน้ำหนักโดยตรง เหตุผลแรกก็คือความแตกต่าง
คะแนนและคุณลักษณะที่ไม่ได้มีขนาดเดียวกัน ประการที่สองความไม่แน่นอนเกี่ยวกับ
ความถูกต้องของค่าสัมประสิทธิ์ที่ไม่ได้นำมาพิจารณาเมื่อใช้bkℓโดยตรง แม้ว่า
ค่าของค่าสัมประสิทธิ์สามารถค่อนข้างสูงก็ยังสามารถเป็นสำคัญ.
พิจารณาเช่นแอตทริบิวต์หุ่นมีน้อยมาก 1 และค่าสัมประสิทธิ์สูง
ค่า แล้วนี้ผลกระทบสูงของค่าสัมประสิทธิ์ใช้ได้เฉพาะกับจำนวนที่ จำกัด
ของรายการและความสำคัญทั้งหมดจะถูก จำกัด โดยการที่เรามีความไม่แน่นอน
ในบัญชีที่เราสามารถแก้ไขสำหรับเรื่องนี้ ประการที่สามน้ำหนักควรจะเท่ากับหรือ
ใหญ่กว่า 0 ในขณะที่bkℓยังสามารถเป็นเชิงลบ.
เป็นครั้งแรกที่สองปัญหาสามารถเอาชนะโดยใช้ t-ค่า

ผลลัพธ์ (ไทย) 3:

17.4.3 เลือกน้ำหนักโดยใช้การถดถอยปัวชง
มีอยู่ 3 เหตุผลที่ทำไมเราไม่สามารถใช้ค่าสัมประสิทธิ์ BK ℓที่เกิดจากแบบจำลองการถดถอยปัวซอ
เป็นน้ำหนักโดยตรง เหตุผลแรกคือว่าคะแนนความแตกต่าง
และคุณลักษณะไม่ได้มีขนาดเดียวกัน ประการที่สอง ความไม่แน่นอนเกี่ยวกับ
ความถูกต้องของค่าไม่ได้ถ่ายลงในบัญชีเมื่อใช้ BK ℓโดยตรง แม้ว่า
ค่าของสัมประสิทธิ์สามารถค่อนข้างสูง มันก็ไม่สำคัญ
พิจารณา ตัวอย่างเช่น หุ่นคุณลักษณะที่มีน้อยมาก 1 และค่าสัมประสิทธิ์
สูง แล้วมีผลกระทบสูงของสัมประสิทธิ์เป็นเพียงสามารถใช้ได้กับ
จำกัดจำนวนรายการและความสำคัญทั้งหมดของมันจะถูก จำกัด โดยการความไม่แน่นอนเรา
เข้าบัญชี เราสามารถแก้ไขนี้ ประการที่สามน้ำหนักควรจะเท่ากับหรือมากกว่าในขณะที่ BK
0 ℓยังสามารถลบ .
2 ปัญหาแรกสามารถเอาชนะโดยการใช้ t-value