설명:
1단계: K-평균 클러스터링 모델 구현
2단계: 클러스터를 Decision 정글 모델의 기능으로 사용합니다.
결정 정글은 비모수적 모델로, 비선형 결정 경계를 나타낼 수 있습니다.
3단계: 원시 점수를 Score Matchbox Recommender 모델의 기능으로 사용 추천 시스템을 만드는 목표는 시스템의 "사용자"에게 하나 이상의 "항목"을 추천하는 것입니다. 항목의 예로는 영화, 레스토랑, 책 또는 노래가 있습니다. 사용자는 개인, 개인 그룹 또는 항목 기본 설정이 있는 기타 엔터티일 수 있습니다.
대본:
평가된 광고 응답이 거부되었습니다.
광고 응답 모델은 각 이벤트가 시작될 때 학습되고 스포츠 이벤트 중에 적용되어야 합니다.
시장 세분화 모델은 유사한 광고 응답 기록에 대해 최적화해야 합니다.
광고 응답 모델은 기능의 비선형 경계를 지원해야 합니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/multiclass-decision-jungle
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/score-matchbox-recommender

설명:
1단계: 교차 엔트로피 함수 활성화 정의
신경망을 사용하여 분류 및 예측을 수행할 때 일반적으로 분류 오류보다 교차 엔트로피 오류를 사용하는 것이 좋으며 신경망의 품질을 평가하기 위해 평균 제곱 오류보다 교차 엔트로피 오류를 사용하는 것이 다소 좋습니다.
2단계: 각 대상 상태에 대한 비용 함수를 추가합니다.
3단계: 거리 오류 메트릭을 평가했습니다.
참조:
https://www.analyticsvidhya.com/blog/2018/04/fundamentals-deep-learning-regularization-techniques/

설명
이는 분류 모델을 평가하기 위한 메트릭입니다. 대신 절대 평균 오차, 절대 평균 루트 오차, 상대 절대 오차, 상대 제곱 오차 및 결정 계수를 사용합니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model