나는 면접관이 무엇을했는지 확실하지 않지만, 불충분 한 사전 형성 모델에 직면 할 때 이것들은 내가 고려한 것들이며, 면접관으로서 청문회를 듣고 싶어하는 답이다 (이후 몇 년 동안 면담이 있었다).

1. 더 많은 데이터 얻기 : 항상 도움이되는 것은 아니지만이 솔루션 효과를 평가하는 데 도움이되는 몇 가지 사항이 있습니다.

   • 다른 표본 크기로 모델을 실행하십시오. 더 많은 데이터로 결과가 개선되면 더 많은 데이터를 얻는 것이 모델 성능을 계속 향상 시킨다고 가정하는 것이 합리적입니다.
   • 기능 대 샘플 비율-기능을 선택한 후 각 기능 값당 충분한 샘플이 있는지 이해하십시오. 이 주제에 대한 답변을 참조하십시오 .
   • 누락 된 목표 값-다른 가격대에서 탄력성이 유사하게 작동하지 않을 수 있습니다. 표본 데이터가 특정 범위로 편향되어있는 상황에서는 일반화 할 수 없을 가능성이 높습니다 (예 : 표본의 90 %는 0-10 사이의 가격에 대한 것이고 다른 10 %는 사이에 가격에 대한 것입니다) 1000-10000). 더 많은 데이터를 얻는 것 이외의 다른 방법으로이 문제를 해결할 수 있습니다 (모델 학습 분할, 회귀 사용 안 함)

2. 더 나은 기능 엔지니어링 : 충분한 데이터가 있고 딥 러닝에 대해 알고 있다면 이것은 관련이 없습니다. 언급 된 기준에 맞지 않는 경우이 기준에 노력을 집중하십시오. 사용자 행동 모델에는 기계 교육 모델보다 인간 직관이 더 잘 이해되는 많은 관계가 있습니다.
   두 가지 더 많은 기능을 설계하고 모델 성능을 크게 향상시킨 경우와 같습니다. 이 단계에는 일반적으로 논리 기반 코드 (If Elses / 수학 공식)가 포함되므로 오류가 발생하기 쉽습니다.

3. 더 나은 모델 선택 : 제안한 바와 같이 비선형 모델이 더 잘 작동 할 수 있습니다. 데이터가 균일합니까? 교차 특성이 가격 탄력성을 더 잘 설명 할 것이라고 믿을만한 이유가 있습니까? (계절 * 경쟁사 가격).

4. 하이퍼 매개 변수 튜닝 : 그리드 검색 모델의 하이퍼 매개 변수 (+ 교차 유효성 검사 결과)는 좋은 습관이지만 내 경험으로는 성능을 크게 향상시키지 않습니다 (확실히 5 %에서 90 %가 아님).

할 수있는 일이 더 있지만, 이러한 점은 충분히 일반적입니다.

답변