第三，我们可以很容易理解每个特定特征的影响，这让我们可以更轻松地验证该模型的行为是否合理。比如，当我们开始训练过程时，我们中许多人都认为前面所描述的「印迹」特征将会是我们解决问题的「万能药」。我们惊讶地注意到完全不是这么回事——事实证明实际上是基于车位位置分散的特征才是停车难度最强大的预测因素之一。

结果

使用我们的模型，我们能够为任何位置和时间的停车难度生成一个估计。下图给出了我们的系统的输出的几个例子，然后其被用于为指定的目的地提供停车难度估计。比如，星期一早上对整个城市来说都停车困难，尤其是最繁忙的金融和零售区。在星期六晚上，又会再次变得繁忙，atv，但现在却主要集中在餐厅和景点等区域。

我们的停车难度模型在旧金山 Financial District 和 Union Square 地区上的输出。红色表示有更高置信度的停车困难。上排：一个典型周一的上午 8 点（左）和 9 点（右）。下排：一个典型周六的相同时间。

我们很高兴能有机会基于用户的反馈来继续改进这个模型的质量。如果我们能更好地理解停车困难，我们将能开发出新的更智能的停车助理——我们很高兴未来的机器学习应用能够帮助实现更让人愉快的交通！

©本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]