ಉತ್ತಮ ಟ್ಯಾಕ್ಸಿ ಸೇವೆ ಸುರಕ್ಷಿತ, ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ವೇಗವಾಗಿರಬೇಕು. ಬಳಕೆದಾರರು ವಿವರಗಳಿಗೆ ಹೋಗುವುದಿಲ್ಲ: ಅವರು "ಆರ್ಡರ್" ಬಟನ್ ಅನ್ನು ಕ್ಲಿಕ್ ಮಾಡುವುದು ಮತ್ತು ಕಾರನ್ನು ಆದಷ್ಟು ಬೇಗ ಸ್ವೀಕರಿಸುವುದು ಅವರಿಗೆ ಮುಖ್ಯವಾಗಿದೆ, ಅದು ಅವನನ್ನು ಪಾಯಿಂಟ್ A ಯಿಂದ ಬಿಂದುವಿಗೆ ಕರೆದೊಯ್ಯುತ್ತದೆ. ಹತ್ತಿರದಲ್ಲಿ ಯಾವುದೇ ಕಾರುಗಳಿಲ್ಲದಿದ್ದರೆ, ಸೇವೆ ಮಾಡಬೇಕು. ಕ್ಲೈಂಟ್ ಸುಳ್ಳು ನಿರೀಕ್ಷೆಗಳನ್ನು ಹೊಂದಿಲ್ಲ ಆದ್ದರಿಂದ ತಕ್ಷಣ ಈ ಬಗ್ಗೆ ತಿಳಿಸಿ. ಆದರೆ “ಕಾರುಗಳಿಲ್ಲ” ಚಿಹ್ನೆಯು ಆಗಾಗ್ಗೆ ಕಾಣಿಸಿಕೊಂಡರೆ, ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಈ ಸೇವೆಯನ್ನು ಬಳಸುವುದನ್ನು ನಿಲ್ಲಿಸಿ ಪ್ರತಿಸ್ಪರ್ಧಿಯ ಬಳಿಗೆ ಹೋಗುವುದು ತಾರ್ಕಿಕವಾಗಿದೆ.
ಈ ಲೇಖನದಲ್ಲಿ, ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು, ಕಡಿಮೆ ಸಾಂದ್ರತೆಯ ಪ್ರದೇಶಗಳಲ್ಲಿ ಕಾರುಗಳನ್ನು ಹುಡುಕುವ ಸಮಸ್ಯೆಯನ್ನು ನಾವು ಹೇಗೆ ಪರಿಹರಿಸಿದ್ದೇವೆ ಎಂಬುದರ ಕುರಿತು ಮಾತನಾಡಲು ನಾನು ಬಯಸುತ್ತೇನೆ (ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಮೊದಲ ನೋಟದಲ್ಲಿ ಯಾವುದೇ ಕಾರುಗಳಿಲ್ಲ). ಮತ್ತು ಅದರಿಂದ ಏನಾಯಿತು.
ಪೂರ್ವೇತಿಹಾಸದ
ಟ್ಯಾಕ್ಸಿಗೆ ಕರೆ ಮಾಡಲು, ಬಳಕೆದಾರರು ಕೆಲವು ಸರಳ ಹಂತಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತಾರೆ, ಆದರೆ ಸೇವೆಯೊಳಗೆ ಏನಾಗುತ್ತದೆ?
| ಬಳಕೆದಾರ | ಹಂತ | ಬ್ಯಾಕೆಂಡ್ Yandex.Taxi |
|---|---|---|
| ಆರಂಭಿಕ ಹಂತವನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ | ಪಿನ್ ಮಾಡಿ | ನಾವು ಅಭ್ಯರ್ಥಿಗಳಿಗಾಗಿ ಸರಳೀಕೃತ ಹುಡುಕಾಟವನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತಿದ್ದೇವೆ - ಪಿನ್ ಹುಡುಕಾಟ. ಕಂಡುಬರುವ ಡ್ರೈವರ್‌ಗಳ ಆಧಾರದ ಮೇಲೆ, ಆಗಮನದ ಸಮಯವನ್ನು ಊಹಿಸಲಾಗಿದೆ - ಪಿನ್‌ನಲ್ಲಿ ಇಟಿಎ. ನಿರ್ದಿಷ್ಟ ಹಂತದಲ್ಲಿ ಹೆಚ್ಚುತ್ತಿರುವ ಗುಣಾಂಕವನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. |
| ಗಮ್ಯಸ್ಥಾನ, ಶುಲ್ಕ, ಅವಶ್ಯಕತೆಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ | ಆಫರ್ | ನಾವು ಒಂದು ಮಾರ್ಗವನ್ನು ನಿರ್ಮಿಸುತ್ತೇವೆ ಮತ್ತು ಎಲ್ಲಾ ಸುಂಕಗಳಿಗೆ ಬೆಲೆಗಳನ್ನು ಲೆಕ್ಕ ಹಾಕುತ್ತೇವೆ, ಹೆಚ್ಚುತ್ತಿರುವ ಗುಣಾಂಕವನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ. |
| "ಕಾಲ್ ಎ ಟ್ಯಾಕ್ಸಿ" ಬಟನ್ ಒತ್ತಿರಿ | ಆದೇಶ | ನಾವು ಕಾರಿಗೆ ಪೂರ್ಣ ಹುಡುಕಾಟವನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತೇವೆ. ನಾವು ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ಚಾಲಕವನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತೇವೆ ಮತ್ತು ಅವರಿಗೆ ಆದೇಶವನ್ನು ನೀಡುತ್ತೇವೆ. |
ಮೇಲೆ , и ನಾವು ಈಗಾಗಲೇ ಬರೆದಿದ್ದೇವೆ. ಮತ್ತು ಇದು ಚಾಲಕರನ್ನು ಹುಡುಕುವ ಕಥೆಯಾಗಿದೆ. ಆದೇಶವನ್ನು ರಚಿಸಿದಾಗ, ಹುಡುಕಾಟವು ಎರಡು ಬಾರಿ ಸಂಭವಿಸುತ್ತದೆ: ಪಿನ್ ಮತ್ತು ಆದೇಶದ ಮೇಲೆ. ಆದೇಶಕ್ಕಾಗಿ ಹುಡುಕಾಟವು ಎರಡು ಹಂತಗಳಲ್ಲಿ ನಡೆಯುತ್ತದೆ: ಅಭ್ಯರ್ಥಿಗಳ ನೇಮಕಾತಿ ಮತ್ತು ಶ್ರೇಯಾಂಕ. ಮೊದಲಿಗೆ, ಲಭ್ಯವಿರುವ ಅಭ್ಯರ್ಥಿ ಚಾಲಕರು ರಸ್ತೆ ಗ್ರಾಫ್‌ನ ಉದ್ದಕ್ಕೂ ಹತ್ತಿರದಲ್ಲಿದ್ದಾರೆ. ನಂತರ ಬೋನಸ್ ಮತ್ತು ಫಿಲ್ಟರಿಂಗ್ ಅನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ಉಳಿದ ಅಭ್ಯರ್ಥಿಗಳಿಗೆ ಶ್ರೇಯಾಂಕ ನೀಡಲಾಗಿದೆ ಮತ್ತು ವಿಜೇತರು ಆರ್ಡರ್ ಕೊಡುಗೆಯನ್ನು ಸ್ವೀಕರಿಸುತ್ತಾರೆ. ಅವನು ಒಪ್ಪಿದರೆ, ಅವನು ಆದೇಶಕ್ಕೆ ನಿಯೋಜಿಸಲ್ಪಟ್ಟಿದ್ದಾನೆ ಮತ್ತು ವಿತರಣಾ ಹಂತಕ್ಕೆ ಹೋಗುತ್ತಾನೆ. ಅವನು ನಿರಾಕರಿಸಿದರೆ, ಆಫರ್ ಮುಂದಿನದಕ್ಕೆ ಬರುತ್ತದೆ. ಹೆಚ್ಚಿನ ಅಭ್ಯರ್ಥಿಗಳು ಇಲ್ಲದಿದ್ದರೆ, ಹುಡುಕಾಟ ಮತ್ತೆ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ಇದು ಮೂರು ನಿಮಿಷಗಳಿಗಿಂತ ಹೆಚ್ಚು ಕಾಲ ಉಳಿಯುವುದಿಲ್ಲ, ಅದರ ನಂತರ ಆದೇಶವನ್ನು ರದ್ದುಗೊಳಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಸುಡಲಾಗುತ್ತದೆ.
ಪಿನ್‌ನಲ್ಲಿ ಹುಡುಕುವುದು ಆರ್ಡರ್‌ನಲ್ಲಿ ಹುಡುಕುವಂತೆಯೇ ಇರುತ್ತದೆ, ಕೇವಲ ಆದೇಶವನ್ನು ರಚಿಸಲಾಗಿಲ್ಲ ಮತ್ತು ಹುಡುಕಾಟವನ್ನು ಒಮ್ಮೆ ಮಾತ್ರ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ. ಅಭ್ಯರ್ಥಿಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಹುಡುಕಾಟ ತ್ರಿಜ್ಯಕ್ಕಾಗಿ ಸರಳೀಕೃತ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಸಹ ಬಳಸಲಾಗುತ್ತದೆ. ಇಂತಹ ಸರಳೀಕರಣಗಳು ಅಗತ್ಯವಾಗಿವೆ ಏಕೆಂದರೆ ಆರ್ಡರ್‌ಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ಪಿನ್‌ಗಳ ಕ್ರಮವಿರುತ್ತದೆ ಮತ್ತು ಹುಡುಕಾಟವು ಕಷ್ಟಕರವಾದ ಕಾರ್ಯಾಚರಣೆಯಾಗಿದೆ. ನಮ್ಮ ಕಥೆಯ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ: ಪ್ರಾಥಮಿಕ ಹುಡುಕಾಟದ ಸಮಯದಲ್ಲಿ ಪಿನ್‌ನಲ್ಲಿ ಯಾವುದೇ ಸೂಕ್ತ ಅಭ್ಯರ್ಥಿಗಳು ಕಂಡುಬಂದಿಲ್ಲವಾದರೆ, ನಂತರ ನಾವು ನಿಮಗೆ ಆದೇಶವನ್ನು ನೀಡಲು ಅನುಮತಿಸುವುದಿಲ್ಲ. ಕನಿಷ್ಠ ಅದು ಹೇಗಿತ್ತು.
ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಬಳಕೆದಾರರು ನೋಡಿದ್ದು ಇದನ್ನೇ:
ಕಾರುಗಳಿಲ್ಲದ ಕಾರುಗಳಿಗಾಗಿ ಹುಡುಕಿ
ಒಂದು ದಿನ ನಾವು ಒಂದು ಊಹೆಯೊಂದಿಗೆ ಬಂದಿದ್ದೇವೆ: ಬಹುಶಃ ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಪಿನ್‌ನಲ್ಲಿ ಯಾವುದೇ ಕಾರುಗಳಿಲ್ಲದಿದ್ದರೂ ಸಹ ಆದೇಶವನ್ನು ಇನ್ನೂ ಪೂರೈಸಬಹುದು. ಎಲ್ಲಾ ನಂತರ, ಪಿನ್ ಮತ್ತು ಆದೇಶದ ನಡುವೆ ಸ್ವಲ್ಪ ಸಮಯ ಹಾದುಹೋಗುತ್ತದೆ, ಮತ್ತು ಆದೇಶದ ಹುಡುಕಾಟವು ಹೆಚ್ಚು ಪೂರ್ಣಗೊಂಡಿದೆ ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಹಲವಾರು ಬಾರಿ ಪುನರಾವರ್ತನೆಯಾಗುತ್ತದೆ: ಈ ಸಮಯದಲ್ಲಿ, ಲಭ್ಯವಿರುವ ಚಾಲಕರು ಕಾಣಿಸಿಕೊಳ್ಳಬಹುದು. ನಾವು ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ ತಿಳಿದಿದ್ದೇವೆ: ಪಿನ್‌ನಲ್ಲಿ ಚಾಲಕರು ಕಂಡುಬಂದರೆ, ಆರ್ಡರ್ ಮಾಡುವಾಗ ಅವರು ಕಂಡುಬರುತ್ತಾರೆ ಎಂಬುದು ಸತ್ಯವಲ್ಲ. ಕೆಲವೊಮ್ಮೆ ಅವರು ಕಣ್ಮರೆಯಾಗುತ್ತಾರೆ ಅಥವಾ ಎಲ್ಲರೂ ಆದೇಶವನ್ನು ನಿರಾಕರಿಸುತ್ತಾರೆ.
ಈ ಊಹೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು, ನಾವು ಪ್ರಯೋಗವನ್ನು ಪ್ರಾರಂಭಿಸಿದ್ದೇವೆ: ಬಳಕೆದಾರರ ಪರೀಕ್ಷಾ ಗುಂಪಿಗಾಗಿ ಪಿನ್‌ನಲ್ಲಿ ಹುಡುಕಾಟದ ಸಮಯದಲ್ಲಿ ನಾವು ಕಾರುಗಳ ಉಪಸ್ಥಿತಿಯನ್ನು ಪರಿಶೀಲಿಸುವುದನ್ನು ನಿಲ್ಲಿಸಿದ್ದೇವೆ, ಅಂದರೆ, ಅವರು "ಕಾರುಗಳಿಲ್ಲದೆ ಆರ್ಡರ್" ಮಾಡಲು ಅವಕಾಶವನ್ನು ಹೊಂದಿದ್ದರು. ಫಲಿತಾಂಶವು ಸಾಕಷ್ಟು ಅನಿರೀಕ್ಷಿತವಾಗಿತ್ತು: ಕಾರು ಪಿನ್‌ನಲ್ಲಿ ಇಲ್ಲದಿದ್ದರೆ, 29% ಪ್ರಕರಣಗಳಲ್ಲಿ ಅದು ನಂತರ ಕಂಡುಬಂದಿದೆ - ಆದೇಶದ ಮೇಲೆ ಹುಡುಕುವಾಗ! ಇದಲ್ಲದೆ, ಕಾರುಗಳಿಲ್ಲದ ಆದೇಶಗಳು ರದ್ದತಿ ದರಗಳು, ರೇಟಿಂಗ್‌ಗಳು ಮತ್ತು ಇತರ ಗುಣಮಟ್ಟದ ಸೂಚಕಗಳ ವಿಷಯದಲ್ಲಿ ನಿಯಮಿತ ಆದೇಶಗಳಿಂದ ಗಮನಾರ್ಹವಾಗಿ ಭಿನ್ನವಾಗಿರಲಿಲ್ಲ. ಕಾರುಗಳಿಲ್ಲದ ಬುಕಿಂಗ್‌ಗಳು ಎಲ್ಲಾ ಬುಕಿಂಗ್‌ಗಳಲ್ಲಿ 5% ರಷ್ಟಿದೆ, ಆದರೆ ಎಲ್ಲಾ ಯಶಸ್ವಿ ಪ್ರವಾಸಗಳಲ್ಲಿ ಕೇವಲ 1% ಕ್ಕಿಂತ ಹೆಚ್ಚು.
ಈ ಆದೇಶಗಳ ಕಾರ್ಯನಿರ್ವಾಹಕರು ಎಲ್ಲಿಂದ ಬರುತ್ತಾರೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಪಿನ್‌ನಲ್ಲಿ ಹುಡುಕಾಟದ ಸಮಯದಲ್ಲಿ ಅವರ ಸ್ಥಿತಿಗಳನ್ನು ನೋಡೋಣ:
- ಲಭ್ಯವಿದೆ: ಲಭ್ಯವಿತ್ತು, ಆದರೆ ಕೆಲವು ಕಾರಣಗಳಿಂದ ಅಭ್ಯರ್ಥಿಗಳಲ್ಲಿ ಸೇರಿಸಲಾಗಿಲ್ಲ, ಉದಾಹರಣೆಗೆ, ಅವರು ತುಂಬಾ ದೂರದಲ್ಲಿದ್ದರು;
- ಆದೇಶದ ಮೇರೆಗೆ: ಕಾರ್ಯನಿರತನಾಗಿದ್ದನು, ಆದರೆ ತನ್ನನ್ನು ತಾನು ಮುಕ್ತಗೊಳಿಸಲು ಅಥವಾ ಲಭ್ಯವಾಗಲು ನಿರ್ವಹಿಸುತ್ತಿದ್ದನು ;
- ನಿರತ: ಆದೇಶಗಳನ್ನು ಸ್ವೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ನಿಷ್ಕ್ರಿಯಗೊಳಿಸಲಾಗಿದೆ, ಆದರೆ ನಂತರ ಚಾಲಕನು ಸಾಲಿಗೆ ಮರಳಿದನು;
- ಲಭ್ಯವಿಲ್ಲ: ಚಾಲಕ ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಇರಲಿಲ್ಲ, ಆದರೆ ಅವನು ಕಾಣಿಸಿಕೊಂಡನು.
ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಸೇರಿಸೋಣ
ಹೆಚ್ಚುವರಿ ಆರ್ಡರ್‌ಗಳು ಉತ್ತಮವಾಗಿವೆ, ಆದರೆ 29% ಯಶಸ್ವಿ ಹುಡುಕಾಟಗಳು ಅಂದರೆ 71% ಬಳಕೆದಾರರು ದೀರ್ಘಕಾಲ ಕಾಯುತ್ತಿದ್ದರು ಮತ್ತು ಎಲ್ಲಿಯೂ ಹೋಗುವುದಿಲ್ಲ. ಸಿಸ್ಟಮ್ ದಕ್ಷತೆಯ ದೃಷ್ಟಿಕೋನದಿಂದ ಇದು ಕೆಟ್ಟ ವಿಷಯವಲ್ಲವಾದರೂ, ಇದು ವಾಸ್ತವವಾಗಿ ಬಳಕೆದಾರರಿಗೆ ಸುಳ್ಳು ಭರವಸೆ ನೀಡುತ್ತದೆ ಮತ್ತು ಸಮಯವನ್ನು ವ್ಯರ್ಥ ಮಾಡುತ್ತದೆ, ನಂತರ ಅವರು ಅಸಮಾಧಾನಗೊಳ್ಳುತ್ತಾರೆ ಮತ್ತು (ಬಹುಶಃ) ಸೇವೆಯನ್ನು ಬಳಸುವುದನ್ನು ನಿಲ್ಲಿಸುತ್ತಾರೆ. ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ಆದೇಶದ ಮೇಲೆ ಕಾರು ಕಂಡುಬರುವ ಸಾಧ್ಯತೆಯನ್ನು ಊಹಿಸಲು ನಾವು ಕಲಿತಿದ್ದೇವೆ.
ಯೋಜನೆಯು ಹೀಗಿದೆ:
- ಬಳಕೆದಾರರು ಪಿನ್ ಹಾಕುತ್ತಾರೆ.
- ಪಿನ್ ಮೇಲೆ ಹುಡುಕಾಟವನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ.
- ಯಾವುದೇ ಕಾರುಗಳಿಲ್ಲದಿದ್ದರೆ, ನಾವು ಊಹಿಸುತ್ತೇವೆ: ಬಹುಶಃ ಅವರು ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತಾರೆ.
- ಮತ್ತು ಸಂಭವನೀಯತೆಯನ್ನು ಅವಲಂಬಿಸಿ, ನಾವು ನಿಮಗೆ ಆದೇಶವನ್ನು ನೀಡಲು ಅನುಮತಿಸುತ್ತೇವೆ ಅಥವಾ ಅನುಮತಿಸುವುದಿಲ್ಲ, ಆದರೆ ಈ ಸಮಯದಲ್ಲಿ ಈ ಪ್ರದೇಶದಲ್ಲಿ ಕಾರುಗಳ ಸಾಂದ್ರತೆಯು ಕಡಿಮೆಯಾಗಿದೆ ಎಂದು ನಾವು ನಿಮಗೆ ಎಚ್ಚರಿಕೆ ನೀಡುತ್ತೇವೆ.
ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಇದು ಈ ರೀತಿ ಕಾಣುತ್ತದೆ:
ಮಾದರಿಯನ್ನು ಬಳಸುವುದರಿಂದ ಹೊಸ ಆದೇಶಗಳನ್ನು ಹೆಚ್ಚು ನಿಖರವಾಗಿ ರಚಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ ಮತ್ತು ವ್ಯರ್ಥವಾಗಿ ಜನರಿಗೆ ಭರವಸೆ ನೀಡುವುದಿಲ್ಲ. ಅಂದರೆ, ನಿಖರವಾದ ಮರುಸ್ಥಾಪನೆ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಯಂತ್ರಗಳಿಲ್ಲದ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಅನುಪಾತ ಮತ್ತು ಆದೇಶಗಳ ಸಂಖ್ಯೆಯನ್ನು ನಿಯಂತ್ರಿಸಲು. ಸೇವೆಯ ವಿಶ್ವಾಸಾರ್ಹತೆಯು ಉತ್ಪನ್ನವನ್ನು ಬಳಸುವುದನ್ನು ಮುಂದುವರಿಸುವ ಬಯಕೆಯ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ, ಅಂದರೆ ಕೊನೆಯಲ್ಲಿ ಇದು ಎಲ್ಲಾ ಪ್ರವಾಸಗಳ ಸಂಖ್ಯೆಗೆ ಬರುತ್ತದೆ.
ನಿಖರವಾದ ಮರುಸ್ಥಾಪನೆ ಬಗ್ಗೆ ಸ್ವಲ್ಪಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಮೂಲಭೂತ ಕಾರ್ಯಗಳಲ್ಲಿ ಒಂದು ವರ್ಗೀಕರಣ ಕಾರ್ಯವಾಗಿದೆ: ಎರಡು ವರ್ಗಗಳಲ್ಲಿ ಒಂದಕ್ಕೆ ವಸ್ತುವನ್ನು ನಿಯೋಜಿಸುವುದು. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್‌ನ ಫಲಿತಾಂಶವು ಸಾಮಾನ್ಯವಾಗಿ ಒಂದು ತರಗತಿಯಲ್ಲಿ ಸದಸ್ಯತ್ವದ ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯಮಾಪನವಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, ಸಂಭವನೀಯತೆಯ ಮೌಲ್ಯಮಾಪನ. ಆದಾಗ್ಯೂ, ನಿರ್ವಹಿಸುವ ಕ್ರಿಯೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಬೈನರಿ: ಕಾರು ಲಭ್ಯವಿದ್ದರೆ, ಅದನ್ನು ಆದೇಶಿಸಲು ನಾವು ನಿಮಗೆ ಅವಕಾಶ ನೀಡುತ್ತೇವೆ ಮತ್ತು ಇಲ್ಲದಿದ್ದರೆ, ನಾವು ಮಾಡುವುದಿಲ್ಲ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳಬೇಕೆಂದರೆ, ಸಂಖ್ಯಾತ್ಮಕ ಅಂದಾಜನ್ನು ತಯಾರಿಸುವ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಮಾದರಿ ಎಂದು ಕರೆಯೋಣ ಮತ್ತು ವರ್ಗೀಕರಣವನ್ನು ಎರಡು ವರ್ಗಗಳಲ್ಲಿ ಒಂದಕ್ಕೆ ನಿಯೋಜಿಸುವ ನಿಯಮ (1 ಅಥವಾ -1). ಮಾದರಿ ಮೌಲ್ಯಮಾಪನದ ಆಧಾರದ ಮೇಲೆ ವರ್ಗೀಕರಣವನ್ನು ಮಾಡಲು, ನೀವು ಮೌಲ್ಯಮಾಪನ ಮಿತಿಯನ್ನು ಆರಿಸಬೇಕಾಗುತ್ತದೆ. ಹೇಗೆ ನಿಖರವಾಗಿ ಕಾರ್ಯವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ.
ನಾವು ಕೆಲವು ಅಪರೂಪದ ಮತ್ತು ಅಪಾಯಕಾರಿ ಕಾಯಿಲೆಗೆ ಪರೀಕ್ಷೆ (ವರ್ಗೀಕರಣ) ಮಾಡುತ್ತಿದ್ದೇವೆ ಎಂದು ಭಾವಿಸೋಣ. ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ, ನಾವು ರೋಗಿಯನ್ನು ಹೆಚ್ಚು ವಿವರವಾದ ಪರೀಕ್ಷೆಗೆ ಕಳುಹಿಸುತ್ತೇವೆ ಅಥವಾ "ಒಳ್ಳೆಯದು, ಮನೆಗೆ ಹೋಗು" ಎಂದು ಹೇಳುತ್ತೇವೆ. ನಮಗೆ, ಅನಾರೋಗ್ಯದ ವ್ಯಕ್ತಿಯನ್ನು ಮನೆಗೆ ಕಳುಹಿಸುವುದು ಆರೋಗ್ಯವಂತ ವ್ಯಕ್ತಿಯನ್ನು ಅನಗತ್ಯವಾಗಿ ಪರೀಕ್ಷಿಸುವುದಕ್ಕಿಂತ ಕೆಟ್ಟದಾಗಿದೆ. ಅಂದರೆ, ಸಾಧ್ಯವಾದಷ್ಟು ನಿಜವಾಗಿಯೂ ಅನಾರೋಗ್ಯದ ಜನರಿಗೆ ಪರೀಕ್ಷೆಯು ಕೆಲಸ ಮಾಡಲು ನಾವು ಬಯಸುತ್ತೇವೆ. ಈ ಮೌಲ್ಯವನ್ನು ಮರುಸ್ಥಾಪನೆ = ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಆದರ್ಶ ವರ್ಗೀಕರಣವು 100% ರಷ್ಟು ಮರುಸ್ಥಾಪನೆಯನ್ನು ಹೊಂದಿದೆ. ಎಲ್ಲರನ್ನು ಪರೀಕ್ಷೆಗೆ ಕಳುಹಿಸುವುದು ಹದಗೆಟ್ಟ ಪರಿಸ್ಥಿತಿ, ನಂತರ ಮರುಪಡೆಯುವಿಕೆ ಕೂಡ 100% ಆಗಿರುತ್ತದೆ.
ಇದು ತದ್ವಿರುದ್ಧವಾಗಿಯೂ ನಡೆಯುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ನಾವು ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಪರೀಕ್ಷಾ ವ್ಯವಸ್ಥೆಯನ್ನು ಮಾಡುತ್ತಿದ್ದೇವೆ ಮತ್ತು ಇದು ಮೋಸ ಪತ್ತೆಕಾರಕವನ್ನು ಹೊಂದಿದೆ. ವಂಚನೆಯ ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಚೆಕ್ ಕೆಲಸ ಮಾಡದಿದ್ದರೆ, ಇದು ಅಹಿತಕರವಾಗಿರುತ್ತದೆ, ಆದರೆ ನಿರ್ಣಾಯಕವಲ್ಲ. ಮತ್ತೊಂದೆಡೆ, ವಿದ್ಯಾರ್ಥಿಗಳು ತಾವು ಮಾಡದ ಯಾವುದನ್ನಾದರೂ ಅನ್ಯಾಯವಾಗಿ ಆರೋಪಿಸುವುದು ಅತ್ಯಂತ ಕೆಟ್ಟದು. ಅಂದರೆ, ವರ್ಗೀಕರಣದ ಸಕಾರಾತ್ಮಕ ಉತ್ತರಗಳಲ್ಲಿ ಸಾಧ್ಯವಾದಷ್ಟು ಸರಿಯಾದವುಗಳಿವೆ, ಬಹುಶಃ ಅವರ ಸಂಖ್ಯೆಗೆ ಹಾನಿಯಾಗಬಹುದು ಎಂಬುದು ನಮಗೆ ಮುಖ್ಯವಾಗಿದೆ. ಇದರರ್ಥ ನೀವು ನಿಖರತೆಯನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಬೇಕು = . ಎಲ್ಲಾ ವಸ್ತುಗಳ ಮೇಲೆ ಪ್ರಚೋದನೆಯು ಸಂಭವಿಸಿದರೆ, ನಂತರ ನಿಖರತೆಯು ಮಾದರಿಯಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ವರ್ಗದ ಆವರ್ತನಕ್ಕೆ ಸಮನಾಗಿರುತ್ತದೆ.
ಅಲ್ಗಾರಿದಮ್ ಸಂಖ್ಯಾತ್ಮಕ ಸಂಭವನೀಯತೆಯ ಮೌಲ್ಯವನ್ನು ಉತ್ಪಾದಿಸಿದರೆ, ನಂತರ ವಿವಿಧ ಮಿತಿಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಮೂಲಕ, ನೀವು ವಿಭಿನ್ನ ನಿಖರ-ಮರುಸ್ಥಾಪನೆ ಮೌಲ್ಯಗಳನ್ನು ಸಾಧಿಸಬಹುದು.
ನಮ್ಮ ಸಮಸ್ಯೆಯಲ್ಲಿ ಪರಿಸ್ಥಿತಿ ಹೀಗಿದೆ. ಮರುಸ್ಥಾಪನೆಯು ನಾವು ನೀಡಬಹುದಾದ ಆದೇಶಗಳ ಸಂಖ್ಯೆ, ನಿಖರತೆಯು ಈ ಆದೇಶಗಳ ವಿಶ್ವಾಸಾರ್ಹತೆಯಾಗಿದೆ. ನಮ್ಮ ಮಾದರಿಯ ನಿಖರವಾದ ಮರುಪಡೆಯುವಿಕೆ ಕರ್ವ್ ಈ ರೀತಿ ಕಾಣುತ್ತದೆ:
ಎರಡು ವಿಪರೀತ ಪ್ರಕರಣಗಳಿವೆ: ಯಾರನ್ನೂ ಆದೇಶಿಸಲು ಅನುಮತಿಸಬೇಡಿ ಮತ್ತು ಎಲ್ಲರಿಗೂ ಆದೇಶಿಸಲು ಅನುಮತಿಸಿ. ನೀವು ಯಾರನ್ನೂ ಅನುಮತಿಸದಿದ್ದರೆ, ನಂತರ ಮರುಸ್ಥಾಪನೆ 0 ಆಗಿರುತ್ತದೆ: ನಾವು ಆದೇಶಗಳನ್ನು ರಚಿಸುವುದಿಲ್ಲ, ಆದರೆ ಅವುಗಳಲ್ಲಿ ಯಾವುದೂ ವಿಫಲಗೊಳ್ಳುವುದಿಲ್ಲ. ನಾವು ಎಲ್ಲರಿಗೂ ಅವಕಾಶ ನೀಡಿದರೆ, ಮರುಪಡೆಯುವಿಕೆ 100% ಆಗಿರುತ್ತದೆ (ನಾವು ಎಲ್ಲಾ ಸಂಭವನೀಯ ಆದೇಶಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತೇವೆ), ಮತ್ತು ನಿಖರತೆಯು 29% ಆಗಿರುತ್ತದೆ, ಅಂದರೆ 71% ಆರ್ಡರ್‌ಗಳು ಕೆಟ್ಟದಾಗಿರುತ್ತವೆ.
ನಾವು ಆರಂಭಿಕ ಹಂತದ ವಿವಿಧ ನಿಯತಾಂಕಗಳನ್ನು ಚಿಹ್ನೆಗಳಾಗಿ ಬಳಸಿದ್ದೇವೆ:
- ಸಮಯ/ಸ್ಥಳ.
- ಸಿಸ್ಟಮ್ ಸ್ಥಿತಿ (ಸಮೀಪದಲ್ಲಿರುವ ಎಲ್ಲಾ ಸುಂಕಗಳು ಮತ್ತು ಪಿನ್‌ಗಳ ಆಕ್ರಮಿತ ಯಂತ್ರಗಳ ಸಂಖ್ಯೆ).
- ಹುಡುಕಾಟ ನಿಯತಾಂಕಗಳು (ತ್ರಿಜ್ಯ, ಅಭ್ಯರ್ಥಿಗಳ ಸಂಖ್ಯೆ, ನಿರ್ಬಂಧಗಳು).
ಚಿಹ್ನೆಗಳ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು
ತಾತ್ವಿಕವಾಗಿ, ನಾವು ಎರಡು ಸನ್ನಿವೇಶಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಬಯಸುತ್ತೇವೆ:
- "ಡೀಪ್ ಫಾರೆಸ್ಟ್" - ಈ ಸಮಯದಲ್ಲಿ ಇಲ್ಲಿ ಯಾವುದೇ ಕಾರುಗಳಿಲ್ಲ.
- “ದುರದೃಷ್ಟ” - ಕಾರುಗಳಿವೆ, ಆದರೆ ಹುಡುಕುವಾಗ ಯಾವುದೇ ಸೂಕ್ತವಾದವುಗಳಿಲ್ಲ.
ಶುಕ್ರವಾರ ಸಂಜೆ ಕೇಂದ್ರದಲ್ಲಿ ಸಾಕಷ್ಟು ಬೇಡಿಕೆಯಿದ್ದರೆ "ಅನ್ಲಕ್ಕಿ" ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ. ಸಾಕಷ್ಟು ಆದೇಶಗಳಿವೆ, ಬಹಳಷ್ಟು ಜನರು ಸಿದ್ಧರಿದ್ದಾರೆ ಮತ್ತು ಎಲ್ಲರಿಗೂ ಸಾಕಷ್ಟು ಚಾಲಕರು ಇಲ್ಲ. ಇದು ಈ ರೀತಿ ಹೊರಹೊಮ್ಮಬಹುದು: ಪಿನ್‌ನಲ್ಲಿ ಸೂಕ್ತ ಚಾಲಕರು ಇಲ್ಲ. ಆದರೆ ಅಕ್ಷರಶಃ ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಅವರು ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತಾರೆ, ಏಕೆಂದರೆ ಈ ಸಮಯದಲ್ಲಿ ಈ ಸ್ಥಳದಲ್ಲಿ ಸಾಕಷ್ಟು ಚಾಲಕರು ಇದ್ದಾರೆ ಮತ್ತು ಅವರ ಸ್ಥಿತಿ ನಿರಂತರವಾಗಿ ಬದಲಾಗುತ್ತಿದೆ.
ಆದ್ದರಿಂದ, ಪಾಯಿಂಟ್ ಎ ಸುತ್ತಮುತ್ತಲಿನ ವಿವಿಧ ಸಿಸ್ಟಮ್ ಸೂಚಕಗಳು ಉತ್ತಮ ವೈಶಿಷ್ಟ್ಯಗಳಾಗಿವೆ:
- ಒಟ್ಟು ಕಾರುಗಳ ಸಂಖ್ಯೆ.
- ಆದೇಶದಲ್ಲಿರುವ ಕಾರುಗಳ ಸಂಖ್ಯೆ.
- "ಬ್ಯುಸಿ" ಸ್ಥಿತಿಯಲ್ಲಿ ಆರ್ಡರ್ ಮಾಡಲು ಲಭ್ಯವಿಲ್ಲದ ಕಾರುಗಳ ಸಂಖ್ಯೆ.
- ಬಳಕೆದಾರರ ಸಂಖ್ಯೆ.
ಎಲ್ಲಾ ನಂತರ, ಹೆಚ್ಚು ಕಾರುಗಳು ಇವೆ, ಅವುಗಳಲ್ಲಿ ಒಂದು ಲಭ್ಯವಾಗುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚು.
ವಾಸ್ತವವಾಗಿ, ಕಾರುಗಳು ಮಾತ್ರ ನೆಲೆಗೊಂಡಿವೆ, ಆದರೆ ಯಶಸ್ವಿ ಪ್ರವಾಸಗಳನ್ನು ಮಾಡಲಾಗುವುದು ಎಂಬುದು ನಮಗೆ ಮುಖ್ಯವಾಗಿದೆ. ಆದ್ದರಿಂದ, ಯಶಸ್ವಿ ಪ್ರವಾಸದ ಸಂಭವನೀಯತೆಯನ್ನು ಊಹಿಸಲು ಸಾಧ್ಯವಾಯಿತು. ಆದರೆ ನಾವು ಇದನ್ನು ಮಾಡದಿರಲು ನಿರ್ಧರಿಸಿದ್ದೇವೆ, ಏಕೆಂದರೆ ಈ ಮೌಲ್ಯವು ಬಳಕೆದಾರ ಮತ್ತು ಚಾಲಕರ ಮೇಲೆ ಹೆಚ್ಚು ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ.
ಮಾದರಿ ತರಬೇತಿ ಅಲ್ಗಾರಿದಮ್ ಆಗಿತ್ತು . ಪ್ರಯೋಗದಿಂದ ಪಡೆದ ಡೇಟಾವನ್ನು ತರಬೇತಿಗಾಗಿ ಬಳಸಲಾಯಿತು. ಅನುಷ್ಠಾನದ ನಂತರ, ತರಬೇತಿ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಬೇಕಾಗಿತ್ತು, ಕೆಲವೊಮ್ಮೆ ಮಾದರಿಯ ನಿರ್ಧಾರದ ವಿರುದ್ಧ ಕ್ರಮಗೊಳಿಸಲು ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಬಳಕೆದಾರರಿಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ.
ಫಲಿತಾಂಶಗಳು
ಪ್ರಯೋಗದ ಫಲಿತಾಂಶಗಳು ನಿರೀಕ್ಷಿಸಿದಂತೆ: ಮಾದರಿಯನ್ನು ಬಳಸುವುದರಿಂದ ಕಾರುಗಳಿಲ್ಲದ ಆದೇಶಗಳಿಂದಾಗಿ ಯಶಸ್ವಿ ಪ್ರವಾಸಗಳ ಸಂಖ್ಯೆಯನ್ನು ಗಣನೀಯವಾಗಿ ಹೆಚ್ಚಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ, ಆದರೆ ವಿಶ್ವಾಸಾರ್ಹತೆಗೆ ಧಕ್ಕೆಯಾಗುವುದಿಲ್ಲ.
ಈ ಸಮಯದಲ್ಲಿ, ಎಲ್ಲಾ ನಗರಗಳು ಮತ್ತು ದೇಶಗಳಲ್ಲಿ ಕಾರ್ಯವಿಧಾನವನ್ನು ಪ್ರಾರಂಭಿಸಲಾಗಿದೆ ಮತ್ತು ಅದರ ಸಹಾಯದಿಂದ ಸುಮಾರು 1% ಯಶಸ್ವಿ ಪ್ರವಾಸಗಳು ಸಂಭವಿಸುತ್ತವೆ. ಇದಲ್ಲದೆ, ಕಡಿಮೆ ಸಾಂದ್ರತೆಯ ಕಾರುಗಳೊಂದಿಗೆ ಕೆಲವು ನಗರಗಳಲ್ಲಿ, ಅಂತಹ ಪ್ರವಾಸಗಳ ಪಾಲು 15% ತಲುಪುತ್ತದೆ.
ಟ್ಯಾಕ್ಸಿ ತಂತ್ರಜ್ಞಾನದ ಕುರಿತು ಇತರ ಪೋಸ್ಟ್‌ಗಳು
ಮೂಲ: www.habr.com