Skip to content

Commit

Permalink
노트북 번역
Browse files Browse the repository at this point in the history
  • Loading branch information
@rickiepark
rickiepark committed Jul 31, 2021
1 parent f5aa4a3 commit 30881c3
Showing 1 changed file with 30 additions and 30 deletions.
60 changes: 30 additions & 30 deletions notebooks/generating_recommendations.ipynb
View file
Original file line number Diff line number Diff line change
Expand Up @@ -4,15 +4,15 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"# Generating recommendations\n",
"# 추천 생성\n",
"\n",
"In this notebook, I will cover how to use trained models to generate recommendations. We will explore three methods to do so:\n",
"이 노트북은 훈련된 모델을 사용해 추천을 생성하는 방법을 다룹니다. 세 가지 방법을 살펴 보겠습니다:\n",
"\n",
"- Model score\n",
"- Global feature importance\n",
"- Local feature importance\n",
"- 모델 점수\n",
"- 전역 특성 중요도\n",
"- 지역 특성 중요도\n",
"\n",
"First, we load data and the best model we've trained, the one from the third model [notebook](https://github.com/hundredblocks/ml-powered-applications/blob/master/notebooks/third_model.ipynb)."
"먼저 데이터와 세 번째 모델 [노트북](https://github.com/hundredblocks/ml-powered-applications/blob/master/notebooks/third_model.ipynb)에서 훈련된 최상의 모델을 로드합니다."
]
},
{
Expand Down Expand Up @@ -108,9 +108,9 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"## Using feature values\n",
"## 특성 값 사용하기\n",
"\n",
"The simplest method does not even involve a model. We can look at aggregate feature values for both high and low score questions, and pick the features with the largest difference as ones to recommend to users. Below, I show an example of how to do just that in a fea lines of pandas."
"가장 간단한 방법은 모델을 사용하지 않는 것입니다. 높은 점수의 질문과 낮은 점수의 질문의 특성 값을 살펴 볼 수 있습니다. 사용자에게 추천할 대상으로 가장 큰 차이가 나는 특성을 선택합니다. 다음 코드에서 판다스로 어떻게 수행하는지 볼 수 있습니다."
]
},
{
Expand Down Expand Up @@ -398,9 +398,9 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"## Using feature importance\n",
"## 특성 중요도 사용하기\n",
"\n",
"Looking at feature values is a good start, but we can do better. Since we've trained a model, we can leverage its feature importances to recommends aspects to improve."
"특성 값을 비교하는 것이 좋은 출발점이지만 더 좋은 방법이 있습니다. 모델을 훈련했기 때문에 모델의 특성 중요도를 사용해 글을 향상하기 위한 요소를 추천할 수 있습니다."
]
},
{
Expand Down Expand Up @@ -434,21 +434,21 @@
"source": [
"k = 5\n",
"\n",
"print(\"Using %s features in total\" % len(features))\n",
"print(\"Top %s importances:\\n\" % k)\n",
"print(\"전체 %s개의 특성을 사용합니다.\" % len(features))\n",
"print(\"상위 %s개의 특성 중요도:\\n\" % k)\n",
"print('\\n'.join([\"%s: %.2g\" % (tup[0], tup[1]) for tup in get_feature_importance(clf, np.array(features))[:k]]))\n",
"\n",
"print(\"\\nBottom %s importances:\\n\" % k)\n",
"print(\"\\n하위 %s개의 특성 중요도:\\n\" % k)\n",
"print('\\n'.join([\"%s: %.2g\" % (tup[0], tup[1]) for tup in get_feature_importance(clf, np.array(features))[-k:]]))"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Using model score\n",
"## 모델 점수 사용하기\n",
"\n",
"In addition to feature importance, we can leverage a model's output score to give a user a current score representing the quality of their question."
"특성 중요도 외에도 모델의 출력 점수를 사용해 질문 품질을 나타내는 점수를 사용자에게 제공할 수 있습니다."
]
},
{
Expand Down Expand Up @@ -485,20 +485,20 @@
"\"\"\"\n",
"q_score = get_question_score_from_input(example_question)\n",
"\n",
"print(\"%s probability of being a good question\" % q_score)"
"print(\"좋은 질문일 가능성은 %s 퍼센트입니다\" % q_score * 100)"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Local recommendations with LIME\n",
"## LIME을 사용한 지역 추천\n",
"\n",
"In the approaches above, recommendations are based on general information and only the score is specific to a specific input question. We'd like to provide recommendations tailored to the inputs our users give us. We'll see how to do that using LIME.\n",
"앞선 방법에서 추천은 일반적인 정보를 기반으로 하고 점수만 특정 입력 질문에 따라 다릅니다. 사용자가 제공한 입력에 맞는 추천을 제공하고 싶습니다. LIME을 사용해 이런 방법에 대해 알아 보겠습니다.\n",
"\n",
"### On examples from test data\n",
"### 테스트 데이터 샘플에서\n",
"\n",
"First, I'll show how to do this on examples from the held out test set."
"먼저 테스트 세트의 샘플에 이 방법을 적용해 보겠습니다."
]
},
{
Expand Down Expand Up @@ -37710,16 +37710,16 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"For a given question, the list of explanations can serve as a set of recommendations."
"주어진 질문에 대해 설명 리스트를 추천으로 제시할 수 있습니다."
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"### On new examples\n",
"### 새로운 샘플에서\n",
"\n",
"Let's now extend this method to show explanations for new examples."
"이 방법을 확장하여 새로운 샘플에 대한 설명을 출력해 보겠습니다."
]
},
{
Expand Down Expand Up @@ -74928,7 +74928,7 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"Below, I'll write a few functions to display the recommendations in a clearer way to users."
"아래 사용자에게 추천을 명확하게 보여주기 위해 몇 개의 함수를 만들었습니다."
]
},
{
Expand Down Expand Up @@ -75100,7 +75100,7 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"The suggestions above are much more understandable, and could be displayed to users looking for feedback. Let's see an example below."
"앞의 추천이 훨씬 이해하기 쉽고 피드백을 위해 사용자에게 출력할 수 있습니다. 다음의 예를 확인해 보세요."
]
},
{
Expand Down Expand Up @@ -75157,9 +75157,9 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"## Following successive recommendations\n",
"## 연속적인 추천 따르기\n",
"\n",
"In order to test our proposed workflow. Let's input a question and follow our model's recommendation a few times to see if it (and its score) improves."
"제안한 워크플로를 테스트하기 위해 질문을 입력하고 모델 추천을 몇 차례 따라가면서 질문이 향상되는지 확인해 보겠습니다."
]
},
{
Expand Down Expand Up @@ -75207,7 +75207,7 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"Let's increase the length of text, the number of questions, and diversify the vocabulary."
"텍스트 길이, 질문 개수, 어휘의 다양성을 늘려 보겠습니다."
]
},
{
Expand Down Expand Up @@ -75258,7 +75258,7 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"Great, the score increased, let's follow these recommendations once more and increase the length of our text, and the variety of our vocabulary, while keeping the number of question marks constant."
"좋습니다. 점수가 증가했네요. 한 번 더 추천을 따라서 텍스트 길이, 어휘 다양성, 물음표를 늘려 보겠습니다."
]
},
{
Expand Down Expand Up @@ -75312,7 +75312,7 @@
"cell_type": "markdown",
"metadata": {},
"source": [
"We now have a machine learning powered editing assistant! There are **many** ways to improve it, such as iterating on classification performance or building features that are easier to understand for the user. To make such improvements, follow the recommendations in part three of tthe book: Building ML Powered Applications."
"이제 머신러닝 파워드 에디팅 추천 애플리케이션을 만들었습니다! 분류 성능 위해 반복하거나 사용자가 이해하기 쉬운 특성을 만드는 것처럼 향상 방법은 **많습니다**. 이렇게 향상시키려면 <머신러닝 파워드 애플리케이션> 책의 3부에 있는 권장 사항을 따르세요."
]
}
],
Expand Down

0 comments on commit 30881c3

Please sign in to comment.