ก็ควรที่จะพิจารณาไม่เพียง แต่ความสัมพันธ์ของการมีส่วนร่วมของทรัพยากรกับค่าใช้จ่าย แต่ยังรวมถึงผลตอบแทนของต้นทุนของการมีส่วนร่วมของทรัพยากรด้วย ความท้าทายโดยทั่วไปคือผลตอบแทนเหล่านั้นมักจะสะสมหรือล่าช้าอยู่เสมอ กรณีของการสะสมคือเมื่อทรัพยากรคือการปรับแต่งอย่างต่อเนื่องหรือการปรับปรุงกระบวนการการขาดซึ่งจะชะลอการสร้างรายได้ กรณีของความล่าช้าคือเมื่อทรัพยากรการวิจัยต้องเสียค่าใช้จ่ายโดยไม่มีผลกระทบต่อรายได้เป็นระยะเวลาหนึ่ง แต่การสร้างรายได้ที่เริ่มต้นขึ้นถ้าการวิจัยให้ผลลัพธ์ที่มีประสิทธิผลอาจเป็นปัจจัยสำคัญเหนือต้นทุนรวมของผลลัพธ์ที่ส่งมอบ
ข้อมูลค่าใช้จ่ายด้วยเหตุผลสามารถนำไปสู่การเรียนรู้เครือข่ายที่ไม่เหมาะสมได้เนื่องจากเครือข่ายที่ผ่านการฝึกอบรมเพื่อลดค่าใช้จ่ายตัวอย่างเช่นค่าใช้จ่ายทางการตลาดจะเป็นศูนย์ ซึ่งมักจะทำให้แนวโน้มการขายลดลงจนกระทั่งธุรกิจพับ โดยไม่รวมถึงผลตอบแทนในข้อมูลการฝึกอบรมอาจไม่มีการเรียนรู้ที่เป็นประโยชน์
MLP ขั้นพื้นฐาน (ตัวรับหลายเลเยอร์) จะไม่เรียนรู้ลักษณะชั่วคราวของข้อมูลการสะสมและการหน่วงเวลา คุณจะต้องมีเครือข่ายไร้รัฐ ประเภทเครือข่ายที่ประสบความสำเร็จสูงสุดอย่างต่อเนื่องสำหรับการเรียนรู้ประเภทนี้ในขณะที่เขียนนี้คือประเภทเครือข่าย LSTM (หน่วยความจำระยะสั้นระยะยาว) หรือหนึ่งในรูปแบบอนุพันธ์ ข้อมูลรายได้และยอดคงเหลือจะต้องใช้ร่วมกับข้อมูลค่าใช้จ่ายในการฝึกอบรมเครือข่ายเพื่อคาดการณ์ผลลัพธ์ทางธุรกิจสำหรับลำดับของการมีส่วนร่วมของทรัพยากรที่เสนอ (แผนงบประมาณรายละเอียดทั้งหมด)
ฟังก์ชั่นการสูญเสียจะต้องสมดุลคำศัพท์การเรียงลำดับอย่างเหมาะสมกับวัตถุประสงค์ทางการเงินระยะกลางและระยะยาว เงินสดที่มีอยู่ติดลบควรสร้างฟังก์ชั่นการสูญเสียที่เพิ่มขึ้นอย่างเด่นชัดเพื่อหลีกเลี่ยงความเสี่ยงขั้นพื้นฐานต่อชื่อเสียงและต้นทุนเครดิต
คอลัมน์ใดในข้อมูลของคุณมีความสัมพันธ์ที่ดีกับผลตอบแทนจากการลงทุนเป็นการยากที่จะกำหนดล่วงหน้า คุณสามารถยกเว้นคอลัมน์ที่สอดคล้องกับเกณฑ์ใดเกณฑ์หนึ่งต่อไปนี้ได้ทันที
- ว่างเสมอ
- ค่าคงที่อื่นคือค่าที่มีค่าเท่ากันทุกแถว
- ที่สามารถได้มาจากคอลัมน์อื่นเสมอ
ข้อมูลสามารถลดลงได้ด้วยวิธีอื่น
- อธิบายข้อมูลอย่างครบถ้วนด้วยการอธิบายแนวโน้มในรูปแบบที่เรียบง่าย
- การใช้ดัชนีเพื่อระบุสตริงยาวที่มีความแม่นยำ 100% โดยการกำหนดตัวเลขแต่ละสตริง
- การอัด
- มิฉะนั้นลดความซ้ำซ้อนในข้อมูล
RBMs (เครื่องจักร Boltzmann ที่ จำกัด ) สามารถดึงคุณสมบัติจากข้อมูลและ PCAs สามารถส่องสว่างคอลัมน์เนื้อหาข้อมูลที่ต่ำ แต่ความสำคัญของคอลัมน์ในแง่ของความสัมพันธ์กับรายได้จะไม่ถูกระบุโดยใช้อุปกรณ์เหล่านี้ในรูปแบบพื้นฐาน