Gradient io: Gradients.io — 24 сочных градиента, вручную выбранных дизайнером Люком Дэвиесом — Оди. О дизайне

В дальнейшем, чтобы найти самую низкую ошибку (глубочайшую впадину) в функции потерь (по отношению к одному весу), нужно настроить параметры модели. Как мы их настраиваем? В этом поможет математический анализ. Благодаря анализу мы знаем, что наклон графика функции – производная от функции по переменной. Это наклон всегда указывает на ближайшую впадину!

На рисунке мы видим график функции потерь (названный «Ошибка» с символом «J») с одним весом. Теперь, если мы вычислим наклон (обозначим это dJ/dw) функции потерь относительно одного веса, то получим направление, в котором нужно двигаться, чтобы достичь локальных минимумов. Давайте пока представим, что наша модель имеет только один вес.

Функция потерь

Важно: когда мы перебираем все учебные данные, мы продолжаем добавлять значения  dJ/dw для каждого веса. Так как потери зависят от примера обучения, dJ/dw также продолжает меняться. Затем делим собранные значения на количество примеров обучения для получения среднего. Потом мы используем это среднее значение (каждого веса) для настройки каждого веса.

Также обратите внимание: Функция потерь предназначена для отслеживания ошибки с каждым примером обучениям, в то время как производная функции относительного одного веса – это то, куда нужно сместить вес, чтобы минимизировать ее для этого примера обучения. Вы можете создавать модели даже без применения функции потерь. Но вам придется использовать производную относительно каждого веса (dJ/dw).

Теперь, когда мы определили направление, в котором нужно подтолкнуть вес, нам нужно понять, как это сделать. Тут мы используем коэффициент скорости обучения, его называют гипер-параметром. Гипер-параметр – значение, требуемое вашей моделью, о котором мы действительно имеем очень смутное представление. Обычно эти значения могут быть изучены методом проб и ошибок. Здесь не так: одно подходит для всех гипер-параметров. Коэффициент скорости обучения можно рассматривать как «шаг в правильном направлении», где направление происходит от dJ/dw.

Это была функция потерь построенная на один вес. В реальной модели мы делаем всё перечисленное выше для всех весов, перебирая все примеры обучения. Даже в относительно небольшой модели машинного обучения у вас будет более чем 1 или 2 веса. Это затрудняет визуализацию, поскольку график будет обладать размерами, которые разум не может себе представить.

Подробнее о градиентах

Кроме функции потерь градиентный спуск также требует градиент, который является dJ/dw (производная функции потерь относительно одного веса, выполненная для всех весов). dJ/dw зависит от вашего выбора функции потерь.  Наиболее распространена функция потерь среднеквадратичной ошибки.

Производная этой функции относительно любого веса (эта формула показывает вычисление градиента для линейной регрессии):

Это – вся математика в ГС. Глядя на это можно сказать, что по сути, ГС не содержит много математики. Единственная математика, которую он содержит  в себе – умножение и деление, до которых мы доберемся. Это означает, что ваш выбор функции повлияет на вычисление градиента каждого веса.

Коэффициент скорости обучения

Всё, о чём написано выше, есть в учебнике. Вы можете открыть любую книгу о градиентном спуске, там будет написано то же самое. Формулы градиентов для каждой функции потерь можно найти в интернете, не зная как вывести их самостоятельно.

Однако проблема у большинства моделей возникает с коэффициентом скорости обучения. Давайте взглянем на обновленное выражение для каждого веса (j лежит в диапазоне от 0 до количества весов, а Theta-j это j-й вес в векторе весов, k лежит в диапазоне от 0 до количества смещений, где B-k — это k-е смещение в векторе смещений). Здесь alpha – коэффициент скорости обучения. Из этого можно сказать, что мы вычисляем dJ/dTheta-j ( градиент веса Theta-j), и затем шаг размера alpha в этом направлении. Следовательно, мы спускаемся по градиенту. Чтобы обновить смещение, замените Theta-j на B-k.

Если этот размера шага alpha слишком велик, мы преодолеем минимум: то есть промахнемся мимо минимума. Если alpha слишком мала, мы используем слишком много итераций, чтобы добраться до минимума. Итак, alpha должна быть подходящей.

Использование градиентного спуска

Что ж, вот и всё. Это всё, что нужно знать про градиентный спуск. Давайте подытожим всё в псевдокоде.

Примечание: Весы здесь представлены в векторах. В более крупных моделях они, наверное, будут матрицами.

От i = 0 до «количество примеров обучения»

1. Вычислите градиент функции потерь для i-го примера обучения по каждому весу и смещению. Теперь у вас есть вектор, который полон градиентами для каждого веса и переменной, содержащей градиент смещения.

2. Добавьте градиенты весов, вычисленные для отдельного аккумулятивного вектора, который после того, как вы выполнили итерацию по каждому учебному примеру, должен содержать сумму градиентов каждого веса за несколько итераций.

3. Подобно ситуации с весами, добавьте градиент смещения к аккумулятивной переменной.

Теперь, ПОСЛЕ перебирания всех примеров обучения, выполните следующие действия:

1. Поделите аккумулятивные переменные весов и смещения на количество примеров обучения. Это даст нам средние градиенты для всех весов и средний градиент для смещения. Будем называть их обновленными аккумуляторами (ОА).

2. Затем, используя приведенную ниже формулу, обновите все веса и смещение. Вместо dJ / dTheta-j вы будете подставлять ОА (обновленный аккумулятор) для весов и ОА для смещения. Проделайте то же самое для смещения.

Это была только одна итерация градиентного спуска.

Повторите этот процесс от начала до конца для некоторого количества итераций. Это означает, что для 1-й итерации ГС вы перебираете все примеры обучения, вычисляете градиенты, потом обновляете веса и смещения.  Затем вы проделываете это для некоторого количества итераций ГС.

Различные типы градиентного спуска

Существует 3 варианта градиентного спуска:

1. Мini-batch: тут вместо перебирания всех примеров обучения и с каждой итерацией, выполняющей вычисления только на одном примере обучения, мы обрабатываем n учебных примеров сразу. Этот выбор хорош для очень больших наборов данных.

2. Стохастический градиентный спуск: в этом случае вместо использования и зацикливания на каждом примере обучения, мы ПРОСТО ИСПОЛЬЗУЕМ ОДИН РАЗ. Есть несколько вещей замечаний:

• С каждой итерацией ГС вам нужно перемешать набор обучения и выбрать случайный пример обучения.
• Поскольку вы используете только один пример обучения, ваш путь к локальным минимумам будет очень шумным, как у пьяного человека, который много выпил.

3. Серия ГС: это то, о чем написано в предыдущих разделах. Цикл на каждом примере обучения.

Пример кода на python

Применимо к cерии ГС, так будет выглядеть блок учебного кода на Python.

def train(X, y, W, B, alpha, max_iters):
'''
Performs GD on all training examples,
X: Training data set,
y: Labels for training data,
W: Weights vector,
B: Bias variable,
alpha: The learning rate,
max_iters: Maximum GD iterations.
'''
dW = 0 # Weights gradient accumulator
dB = 0 # Bias gradient accumulator
m = X.shape[0] # No. of training examples
for i in range(max_iters):
dW = 0 # Reseting the accumulators
dB = 0
for j in range(m):
# 1. Iterate over all examples,
# 2. Compute gradients of the weights and biases in w_grad and b_grad,
# 3. Update dW by adding w_grad and dB by adding b_grad,
W = W - alpha * (dW / m) # Update the weights
B = B - alpha * (dB / m) # Update the bias return W, B # Return the updated weights and bias. 

Вот и всё. Теперь вы должны хорошо понимать, что такое метод градиентного спуска.

Последние обновления Gradient для увеличения продаж и рейтинга на Amazon

Раскройте свою стратегию цифровой полки с помощью Presence, интеллектуального показателя SOV

Presence, более мощного показателя, чем доля голоса (SOV) для электронной коммерции, фиксирует долю видимости вашего бренда покупателями в пути покупателя на цифровой полке. Загрузите информационный документ, чтобы узнать, как использовать Presence для развития своего онлайн-бизнеса.

Прочитать статью

Holiday 2021 Insights

Прогнозируется, что онлайн-покупки в праздничные дни в 2021 году продолжат свой всплеск после исторического пика в 2020 году. Скачать отчет.

Прочитать историю

Понять, какую часть цифровой полки вы получаете

Функция анализа присутствия позволяет вам понять каждый аспект потребительского трафика, ищущего продукты в вашей категории.

Прочитать историю

Представляем Gradient Basic, чтобы бренды могли начать оптимизировать свое присутствие в электронной коммерции

Сегодня мы запускаем Gradient Basic, наш новейший уровень подписки, который предоставляет возможности анализа данных владельцам нишевых брендов, которым нужно только сосредоточиться по одной категории.

Прочитать статью

Gradient Plus выходит из бета-версии

Gradient Console Plus, которая дает менеджерам по электронной коммерции исчерпывающую информацию об эффективности их бренда на Amazon, выходит из бета-версии и теперь доступна для платных подписчиков.

Прочитать историю

Чему бренды могут научиться, продавая на Amazon

Что, если вместо того, чтобы уходить с Amazon, бренды могли бы использовать то, что они узнают, продавая на Amazon, чтобы быть более разумными в разработке своих продуктов и маркетинговых кампаниях?

Прочитать историю

Принять меры с помощью рекомендаций по продуктам

Представляем нашу самую мощную функцию анализа для компаний, которые продают на Amazon: рекомендации по продуктам. Наша новая функция предлагает продавцам Amazon конкретные шаги, которые необходимо предпринять, чтобы улучшить свой показатель Gradient Score и увеличить продажи.

Прочитать историю

Подробный обзор продуктов, на которые вы подписаны

Вкладка «Новые продукты» в Gradient Console позволяет вам видеть все на полках, за которыми вы следите.

Прочитать статью

Знакомство с ежедневными оповещениями Gradient

Ожидать неожиданного

Прочитать новость

Знакомство с Gradient Audit

Интеллектуальная информация об электронной коммерции в эпоху неопределенности

Прочитать историю

5 Преимущества Gradient Score для бизнеса

5 Преимущества Gradient Score для бизнеса

Прочитать историю

Gradient превышает 1 миллион баллов Gradient

Недавно компания Gradient. io достигла благоприятных результатов и поддерживает Amazon Gradient.io. ведущие маркетологи брендов с более чем 1 миллионом баллов Gradient Score! Эти идеи можно найти на https://gradient.io.

Прочитать историю

Gradient начинает 2020 год с 500 000 брендов!

По состоянию на 1 января 2020 г. компания Gradient рада сообщить, что более 500 000 брендов были оценены на основе оценки 90 миллионов ASIN (уникальных товаров, продаваемых на Amazon).

Прочитать историю

Добро пожаловать в Gradient Score.

В Gradient.io мы разрабатываем мощные инструменты на основе машинного обучения, чтобы помочь. Сегодня мы выпускаем новый мощный способ быстро и четко понять, насколько хорошо ваши продукты позиционируются на этой цифровой полке Amazon — информацию, необходимую для понимания того, что происходит с вашим брендом и вашими продуктами внутри Amazon.

Прочитать статью

Оценка градиента: ведущий показатель успеха продаж

Бренды, которые улучшили свою оценку градиента, добились роста продаж в Черную пятницу и Киберпонедельник Score

Подсчет очков на основе машинного обучения воплощается в жизнь: Gradient Score

Прочитать историю

Функция: Масштабная реклама Amazon ML Opportunity

Трансформация возможностей электронной коммерции на Amazon с помощью ML

Прочитать историю

Функция: Amazon, Google, Microsoft Advertising Veteran запускает аналитическую платформу

Как Mentos Chewy Mint Candy остается свежей по сравнению с конкурентами благодаря их рейтингу градиента.

Читать историю

Глоссарий | Gradient.io

Основные понятия

Полка

Полка является центральной концепцией Gradient. Цифровая полка или просто «полка» относится к части рынка на Amazon. Полка может относиться к большому отделу, такому как бытовая техника, узкой нишевой категории, такой как коллекционные бейсбольные карточки, или к чему-то более сложному, например, ко всем вещам, которые нужны детям школьного возраста для возвращения в школу.

Все показатели, предоставляемые Gradient, относятся к определенной полке. Каков ранг товара на полке? Какова доля товара на полке?

Одним из основных показателей бренда является «Присутствие на полке», который измеряет степень интереса, который потребители проявляют к продуктам на этой полке. Градиент использует прямые наблюдения и триангуляцию для оценки общего интереса к шельфу. Доля интереса, занимаемая конкретным брендом или продуктом, называется долей бренда или продукта на полке.

Бренд

Вместе с Полкой Бренд является центральной концепцией в Gradient. Вся ваша аналитическая деятельность организована под одним или несколькими брендами, которые вы добавляете в свою учетную запись с помощью подписок.

Вы можете следить за одним или несколькими брендами в своей учетной записи. Вы можете следить за любым брендом, даже за конкурентом, если он присутствует на Amazon. Название бренда взято из реальных списков продуктов на Amazon.

При размещении своих продуктов на Amazon бренд-менеджеры могут решить, как назвать свои бренды на Amazon. Это означает, что продавец может указать несколько брендов или один бренд, в зависимости от своей стратегии. Например, компания Acme может указывать все, что продает, под названием «Acme», или они могут перечислять некоторые продукты под «Acme Toothbrush», а некоторые — под «Acme Toothpaste» как отдельные бренды.

Follow

Как пользователь Gradient, вы упорядочиваете свои измерения и идеи, следуя брендам на определенных полках. Различные уровни подписки обеспечивают доступ к большему или меньшему количеству брендов в вашей учетной записи. См. планы подписки, чтобы узнать больше. Самый распространенный способ следить за полкой — это искать продукт или бренд и посещать страницу оценки, как показано ниже.

‍

Оценка градиента

Оценка градиента ™ — это быстрый способ узнать, насколько хорошо продукт или бренд работает на Amazon. Оценка градиента ™ измеряет относительную силу продукта или бренда по отношению к другим участникам полки. Gradient Score ™ измеряет производительность, объединяя наблюдения более 100 различных элементов для каждого продукта или бренда в категории и сравнивая их с совокупностью других продуктов в той же категории. Gradient Score ™ из 500 представляет среднюю производительность, 600 — это 1 стандартное отклонение выше среднего, 700 — 2 стандартных отклонения выше среднего, 400 — 1 стандартное отклонение ниже среднего и 300 — 2 стандартных отклонения ниже среднего.

Узнайте больше о шкале градиента.

Gradient Console

Gradient Console ™ — это наша веб-платформа самообслуживания, которую лидеры брендов могут использовать для отслеживания брендов и их эффективности на Amazon. Создание учетной записи в Gradient автоматически дает вам доступ к Gradient Console.

Аудит градиента

Аудит градиента — это сводка показателей для бренда на определенной полке между двумя определенными периодами времени. Показатели показаны для бренда и его лучших продуктов, а также для основных конкурентов на той же полке.

Аудиты автоматически генерируются для клиентов Gradient Plus для каждого бренда и полки, за которыми вы следите. Когда аудиты вашего бренда будут завершены, вы сможете просмотреть их в Gradient Console.

Узнайте больше об аудитах.

Рекомендации

Градиент Рекомендации предоставляют вам набор оптимизаций для повышения эффективности брендов и продуктов на Amazon. Рекомендации уникальны для каждого продукта и категории. Благодаря нашей собственной модели вы не только получаете конкретные действия, но и можете иметь представление о влиянии каждой рекомендации на продажи.

Рекомендации следует использовать вместе с оценкой градиента и оценками компонентов (оценками присутствия, реакции и позиционирования). Последнее даст вам представление о области, на которой вы должны сосредоточиться. В зависимости от типа рекомендации вы сможете увидеть результаты в краткосрочной, среднесрочной или долгосрочной перспективе. В зависимости от ваших бизнес-целей вы захотите сосредоточиться на том или ином типе.

Подробнее о рекомендациях.

Ключевые показатели эффективности (КПЭ)

KPI являются основным показателем успеха бренда или продукта. К ним относятся продажи, рейтинг продаж, показатель градиента. Градиент показывает, какие факторы оказывают наибольшее влияние на ваши ключевые показатели эффективности.

Ежедневные оповещения

Пользователи Gradient Console могут включить ежедневные оповещения, чтобы получать уведомления о существенных изменениях в продуктах вашего бренда на Amazon.

Узнайте больше о ежедневных оповещениях.

Показатели

Наличие на полке (также известное как Доля присутствия)

Цифровая полка или просто Полка — это часть рынка электронной коммерции, особенно на Amazon. Полка может относиться к большому отделу, такому как бытовая техника, узкой нишевой категории, такой как коллекционные бейсбольные карточки, или к чему-то более сложному, например, ко всем вещам, которые нужны детям школьного возраста для возвращения в школу.

Двумя важными показателями полки являются (а) сумма интереса потребителей к продуктам на полке и (б) сумма дохода от продаж, полученная продуктами на полке. Интерес измеряется с точки зрения количества поисковых запросов продукта и полученных показов списка (как платных, так и обычных) в воронке. Принимая во внимание, что доход от продаж полки — это просто сумма всех продаж в категории.

Что касается интереса, Gradient использует прямые наблюдения и триангуляцию для оценки общего интереса к шельфу. Мы называем долю интереса, занимаемую конкретным брендом или продуктом, «присутствием на полке». Что касается доходов от продаж, то фактические данные о продажах известны только отдельным продавцам. Gradient иногда может предложить оценку возможности получения дохода бренда, используя присутствие бренда, чтобы предположить приблизительный потенциал, к которому может стремиться бренд.

Gradient Score

Gradient Score ™ варьируется от 1 до 1000, но большинство оценок находится в диапазоне от 400 до 700.

Sales Rank

Относится к «рейтингу бестселлеров Amazon» для продукта в категории полки. Чем меньше число, тем лучше, поскольку оно указывает на более высокие продажи по сравнению с другими продуктами. Для бренда рейтинг продаж представляет собой средневзвешенное значение рейтинга продаж для всех продуктов бренда в категории полки.

‍

Спонсируемое присутствие (также известное как Платное присутствие)

Процент спонсируемых показов для данной полки, занятой определенным продуктом или брендом. Платное присутствие использует тот же метод расчета, что и смешанное присутствие, за исключением того, что включает только платные показы. Связано с оплаченным процентом присутствия, но не совпадает с ним.

Компоненты оценки градиента

Присутствие бренда, позиционирование продукта, присутствие бренда, реакция клиентов являются подкомпонентами общей оценки градиента ™ , которые примерно соответствуют различным дисциплинам управления брендом. В частности, Присутствие охватывает рекламную деятельность, позиционирование включает мерчендайзинг, а ответ охватывает качество продукции и обслуживания клиентов. Градиент включает в себя множество необработанных показателей, связанных с этими дисциплинами, для оценки каждого компонента. Компоненты Gradient Score вашего бренда отражают ваши показатели по сравнению с другими участниками категории. Общий балл представляет собой взвешенную смесь баллов по трем компонентам.

Оценка присутствия

Присутствие бренда охватывает рекламную деятельность, которая в основном включает в себя долю полки, платный/органический состав и ассортимент продавцов. Баллы компонентов вашего бренда являются отражением этих показателей по сравнению с другими участниками категории.

Оценка позиционирования

Позиционирование продукта охватывает деятельность по мерчандайзингу, которая включает в себя цену, включение ключевых слов в списки, качество изображения и специальные функции листинга, такие как Amazon Prime. Баллы компонентов вашего бренда являются отражением этих показателей по сравнению с другими участниками категории.

Response Score

Customer Response охватывает качество продукции и обслуживания клиентов, включая рейтинги, обзоры и управление запасами. Баллы компонентов вашего бренда являются отражением этих показателей по сравнению с другими участниками категории.

Возможность получения дохода (при наличии)

При наличии предполагаемый потенциальный объем продаж с учетом наблюдаемого присутствия на полке для бренда или продукта в выбранной категории в течение определенного периода времени. Обратите внимание, что это не фактический прогноз продаж, и его следует использовать только для сравнительных целей.

Отзывы

Общее количество отзывов покупателей о продукте. На уровне бренда это средневзвешенное значение. Обратите внимание, что количество отзывов иногда может уменьшаться! Если это произойдет, это не обязательно требует действий. Amazon периодически отслеживает отзывы и может удалить большое количество отзывов, если сочтет их подозрительными.

Звездный рейтинг

Средний рейтинг продукта от 1 до 5 звезд, при этом 5 звезд являются лучшими. Amazon рассчитывает этот звездный рейтинг как средневзвешенное значение, чтобы придать больший вес более свежим и более квалифицированным рецензентам.

Распределение рейтингов

Поскольку средний звездный рейтинг иногда не дает полной картины, эти показатели дают представление о том, как распределяются рейтинги продукта. Например, даже если ваш средний рейтинг стабилен, растущий процент оценок с 1 звездой может потребовать внимания.

Buy Box Sellers

Расчетное количество отдельных продавцов, наблюдаемых в выигрышной позиции Buy Box для каждого продукта в данной категории и в заданный период времени. Чем меньше количество продавцов, тем лучше, поскольку бренд имеет больший контроль над своим каналом продаж. На уровне бренда это средневзвешенное значение каждого продукта бренда.

Монитор наличия на складе

Указывает процент дней, в течение которых товар находился на складе. Этот индикатор дает представление об управлении запасами и потенциальных упущенных продажах бренда или продукта. Резкое падение может указывать на необходимость внимания.

Средняя цена

Средняя цена бренда или продукта в категории полки. На уровне брендов различия между средними ценами за период времени иногда можно объяснить изменениями в ассортименте товаров. Например, формат, продаваемый каждым брендом (например, упаковка из одной бутылки вместо упаковки из 24 бутылок), или включение в категорию небольших аксессуаров.