Безусловно, при нормальном ходе эксперимента такой ситуации бы не возникло.
Несбалансированность когорт – одна из предпосылок возникновения описанного эффекта. Мне приходилось сталкиваться с поломанными экспериментами и коллегами, которые не понимали, почему нужно выкидывать несбалансированные дни, поэтому привел как один из примеров.
Кстати, утверждение про сложение процентов звучит довольно спорно.
Статью так и не прочитал, но спасибо за нее!
В самом начале затянуло оригинально видео. Не заметив, посмотрел до конца. В докладе озвучены две очень мощные идеи, с которыми интересно познакомиться. Главное понять, что речь вообще не о коде.
Хорошее замечание, алгоритм правда честно нашел существующую корреляцию. Здесь отлично подходит аналогия алгоритма с ребенком. Если ему нужно было посмотреть на резюме и сказать, будет ли человек принят на работу, то он просто скопировал предвзятость тех, кто просматривал резюме и принимал решения. Научился у "родителей".
Я бы сначала поискал менее радикальное решение, чем полный отказ от исторических данных. Если предположить, что ситуация улучшается, то можно для начала взвесить наблюдения так, чтобы более новые получали больше веса в модели.
> Для начала переведем число x в двоичную запись определенной длины.
Смена системы из десятиричной в двоичную — сам по себе алгоритм O(log(n))
> постоянно делить число на два, пока оно не станет равно нулю
А это грозит бесконечным циклом :)
Несбалансированность когорт – одна из предпосылок возникновения описанного эффекта. Мне приходилось сталкиваться с поломанными экспериментами и коллегами, которые не понимали, почему нужно выкидывать несбалансированные дни, поэтому привел как один из примеров.
Кстати, утверждение про сложение процентов звучит довольно спорно.
1. Имеем SOA
2. Добавляем репликацию и подписываем основной сервис на события по обновлению реплик
3. На случай падения сервисов, инкапсулируем их в виде классов внутри основного сервиса
4. Удаляем все лишнее
Если сервис Order имеет доступность 99,5%, то общая доступность архитектуры будет 99,5*1 = 99,5%
Извините, не удержался. Статья неплохая, и SOA — это хорошо. Но нужно понимать ее области применения и не стрелять из пушки по воробьям.
В самом начале затянуло оригинально видео. Не заметив, посмотрел до конца. В докладе озвучены две очень мощные идеи, с которыми интересно познакомиться. Главное понять, что речь вообще не о коде.
Хорошее замечание, алгоритм правда честно нашел существующую корреляцию. Здесь отлично подходит аналогия алгоритма с ребенком. Если ему нужно было посмотреть на резюме и сказать, будет ли человек принят на работу, то он просто скопировал предвзятость тех, кто просматривал резюме и принимал решения. Научился у "родителей".
Я бы сначала поискал менее радикальное решение, чем полный отказ от исторических данных. Если предположить, что ситуация улучшается, то можно для начала взвесить наблюдения так, чтобы более новые получали больше веса в модели.