Sadece kaynak katılımının maliyetle korelasyonunu değil, aynı zamanda kaynak katılımı maliyetinin getirisini de dikkate almak akıllıca olacaktır. Tipik zorluk, bu getirilerin neredeyse her zaman birikimli veya gecikmeli olmasıdır. Bir birikim durumu, kaynağın, gelirin üretilmesini yavaşlatan bir sürecin sürekli ayarlanması veya iyileştirilmesi olmasıdır. Gecikme durumu, araştırma kaynaklarının belirli bir süre gelir etkisi olmadan maliyete katlanmasıdır, ancak araştırma verimli sonuçlar verirse başlayan gelir üretimi, teslim edilen sonuçların toplam maliyetinin üzerinde önemli bir faktör olabilir.
Gider verilerinin tek başına uyumsuz ağ öğrenmesine yol açmasının nedeni, örneğin pazarlama giderlerini azaltmak için eğitilmiş bir ağın bunları sıfırlayacağıdır. Bu, genellikle işletme kapanana kadar satış potansiyelinin düşmesine neden olur. Eğitim bilgilerinin getirileri dahil edilmeden, yararlı bir öğrenme gerçekleşemez.
Temel MLP (çok katmanlı algılayıcı) verilerin zamansal özelliklerini, birikimini ve gecikme yönlerini öğrenmeyecektir. Durum bilgisi olan bir ağa ihtiyacınız olacak. Bu yazıdan itibaren bu tür öğrenme için en tutarlı şekilde başarılı olan ağ türü, LSTM (uzun kısa süreli bellek) ağ türü veya türev varyantlarından biridir. Gelir ve bakiye verileri, önerilen kaynak sözleşmelerinin herhangi bir sıralaması için iş sonuçlarını tahmin etmek üzere (tamamen ayrıntılı bütçe planı) ağı eğitmek için gider verileriyle birlikte kullanılmalıdır.
Kayıp fonksiyonu, sıralama terimini orta ve uzun vadeli finansal hedeflerle uygun şekilde dengelemelidir. Negatif kullanılabilir nakit, itibar ve kredi maliyetinden kaynaklanan temel risklerden kaçınılması için zarar fonksiyonunda belirgin bir artış sağlamalıdır.
Verilerinizdeki hangi sütunların yatırım getirisi ile güçlü korelasyonları olduğunu önceden belirlemek zordur. Aşağıdaki ölçütlerden herhangi birine uyan sütunları hemen hariç tutabilirsiniz.
- Her zaman boş
- Diğer sabitler, her satır için aynı değere sahip olanlar
- Her zaman diğer sütunlardan türetilebilenler
Veriler başka şekillerde de azaltılabilir
- Eğilimleri basit yollarla karakterize ederek verileri tam olarak tanımlama
- Her dizeye bir sayı atayarak% 100 doğrulukla uzun dizeler belirtmek için dizinleri kullanma
- Sıkıştırma
- Aksi takdirde verilerdeki fazlalığı azaltmak
RBM'ler (kısıtlı Boltzmann makineleri) verilerden özellikler çıkarabilir ve PCA'lar düşük bilgi içerik sütunlarını aydınlatabilir, ancak sütunların gelirle korelasyonu açısından önemi bu cihazlar temel formlarında kullanılmayacaktır.