Élelmiszer pontozás matematikailag: Spagetti és Milánói szósz

Plusz paraméterként beletehető a bolt távolsága vagy ez helyett a boltig tartó idő.

Nem mindent szegnek nézek, hanem csak szegről blogolok :)

Viccet félre téve jó amit írsz, ilyenkor nyilván a tulajdonságot nem közvetlen módon konvertálom értékké, hanem ahogy írta uzsolt, egy fordított parabola, vagy ennél sokkal jobb egy gauss kernel vagy a tricube kernel vagy bármi. Például, ahol optimum az optimális érték és param a szórás:

exp( |x-optimum|^2 * -param )

https://www.geogebra.org/graphing/cpua9wvj

Ez igazából AI-nál is így van. Fontos kérdés, hogy hogyan számosítjuk az információt. Ott ez a feature engineering témaköre.

Kiegészítés:

Itt vannak példa kernelek:

https://en.wikipedia.org/wiki/Kernel_%28statistics%29#Kernel_functions_…

Illetve mivel param NEM eldönthető (merthogy pont azt keressük, hogy ne nekünk kelljen dönteni), így hagyhatjuk azt simán 1-es értéken. Vagy még jobb lehet ennél az alábbi, melynél nincs paraméter:

(|x-optimum|^2+1)^-1

https://www.geogebra.org/graphing/myzphugh

Ugye mivel a gyakorlatunkban általában nincs lehetőség végtelen kicsire megközelíteni optimumokat, vagy nyitott a probléma és előre nem ismertek az értékei a befolyásoló paramétereknek, így jogos lehet egy tetszőleges kernel választás.

Ezen belül viszont mindig érdemes matematikai "oszlpok"-hoz igazodni. Ha például hajlítani kell egy értéket, akkor nem 11.9-es kitevőt használok egy polynomiális egyenletben, hanem 2-est vagy max 3-ast, de ha ezek nem jók, akkor nem megkerülhető az optimum keresés ezen az alproblémán belül.

Tehát a gyakorlathoz akkor is kell modellt igazítani, ha nincs teljes értékű információnk. Ezt Bayes modell nagyon jól követi Véleményem szerint az agyunk Bayes stat alapján működik. Mindig update-eljük az utólagos (posterior) következtetést az előzetesek (prior) alapján. Mindig a legfrissebb infók kezelendők a legerősebb súlyozással. Így az időbeli trend követés is megvalósul.

A fenti summa log megoldásom egy olyan kombinátfogó, mely akkor jó, ha nincs pneumatikus kulcs. Tehát nagyon kevés infóból minél jobb döntés, mely jobb az emberi döntésnél.

Ha lehet szofisztikáltabb modellt illeszteni, mert van annyi infónk, akkor jobb a szofisztikáltabb természetesen. De a szakterületen nem ez utóbbiból van kevesebb általában. Olyan megoldásokból van kevés, melyek extrém kevés infó minél nagyobb exploitálását célozzák, hogy minél jobban tudjuk a jobb döntés felé rugdalni a választ.

Még egyszerűbb megoldás, hogy előjelet váltunk és pozitív tulajdonságból negatívat csinálunk, és az optimumtól való eltérés négyzetét használjuk. Tehát eltérés négyzete.

Például ha a valós szobák száma 5 és az optimális 3, akkor az optimálistól 2-vel tér el. Ezért 2 négyzetét, vagyis 4-es értéket használunk. És nem pozitív, hanem negatív tulajdonságként, ahol a kevesebb a jobb. Vagyis a kisebb eltérés a jobb.

Ez az egyik legjobb, legegyszerűbb non-parametrikus megoldás, mert a saját nagyságrendjére skálázza (az optimális érték szintjéhez hasonlítja az eltérést).

Még egy fejlesztés: mi van, ha 1-nél több optimum van. Akkor ugyanúgy előjelet váltunk a tulajdonságnál, majd mindegyikre alkalmazzuk a függvényt és a kisebb értéket vesszük.

Min( ( x - optimum_i )^2 )

Egyetértek, olyan paraméterek nem kellenek bele pluszban, melyekben nagy az átfedés.