Bagaimana peringkat rata-rata dihitung dalam php?

Ulasan dan peringkat produk memainkan peran penting dalam pengambilan keputusan konsumen. Pembeli online mencari produk dengan peringkat tertinggi. Mereka sering membaca review yang memberikan detail di balik rating. Dalam konteks pencarian dan penemuan, bisnis menganggap ulasan produk sama relevannya dengan deskripsi produk. Keduanya relevan untuk mencocokkan kueri pengguna

Fitur peringkat khusus Algolia memungkinkan Anda menggunakan sinyal bisnis seperti jumlah penjualan dan margin keuntungan. Anda juga dapat menggunakan peringkat untuk memengaruhi peringkat. Misalnya, saat pengguna mengetik kueri yang luas seperti "headphone", peringkat khusus berdasarkan peringkat memastikan bahwa earbud dengan peringkat tertinggi muncul lebih dulu.

Meskipun tutorial ini berfokus pada peringkat bintang, solusi ini dapat bekerja dengan sistem penilaian produk apa pun. Misalnya, Anda dapat menghitung rata-rata Bayesian untuk jumlah suara naik dan turun, atau skor berdasarkan jumlah penjualan atau penayangan

Bagian pertama dalam panduan ini menjelaskan tantangan dengan peringkat bintang dan bagaimana rata-rata Bayesian menjadi metode pilihan untuk menentukan peringkat berdasarkan peringkat bintang. Jika Anda suka, Anda bisa

Kesulitan menghitung peringkat yang andal

Membuat strategi pemeringkatan yang bermakna berdasarkan peringkat dapat menjadi tantangan. Apakah hanya satu peringkat yang cukup?

Contoh yang bagus adalah kueri “singa” di situs streaming film. Haruskah film "The Lion King" mendapat peringkat di atas film berperingkat lebih tinggi tetapi kurang dikenal seperti "The Lion in Winter"? . 5 bintang tetapi "Singa di Musim Dingin" memiliki rata-rata lebih tinggi dari 4. 8. Jika 4. 5 peringkat rata-rata berasal dari 10.000 peringkat dan 4. 8 rating rata-rata dari 100 rating, film mana yang harus tayang lebih dulu?

Tantangan dengan sistem peringkat apa pun—baik untuk tas tangan, elektronik, atau film—adalah bahwa jumlah peringkat sama pentingnya dengan peringkat itu sendiri. Secara intuitif, semakin banyak peringkat yang diterima, semakin besar kepercayaan Anda terhadap peringkat tersebut. Tetapi sekali lagi, berapa banyak peringkat yang Anda butuhkan untuk yakin bahwa peringkat itu bermakna?

Membandingkan peringkat peringkat yang berbeda

Pertimbangkan dua cara untuk memberi peringkat peringkat bintang

  • Gunakan rata-rata aritmatika yang menjumlahkan semua peringkat dan membaginya dengan jumlah total peringkat. Jika terdapat 100 peringkat 1 bintang dan 10 peringkat 5 bintang, perhitungannya adalah ((100x1) + (10x5))/ (100+10) = 1. 36
  • Gunakan rata-rata Bayesian yang menyesuaikan peringkat rata-rata produk dengan seberapa besar variasinya dari rata-rata katalog. Ini mendukung produk dengan jumlah peringkat yang lebih tinggi

Seperti yang sudah disarankan, mengabaikan jumlah peringkat tidak membantu membedakan antara item dengan 10 peringkat dan 1000 peringkat. Anda setidaknya perlu menghitung rata-rata yang mencakup jumlah peringkat

Gambar berikut menunjukkan tiga item yang diberi peringkat berdasarkan rata-rata yang berbeda. Sisi kiri menggunakan rata-rata aritmatika untuk peringkat. Sisi kanan menggunakan rata-rata Bayesian

Bagaimana peringkat rata-rata dihitung dalam php?

Kedua belah pihak menampilkan rata-rata aritmatika dalam tanda kurung tepat di sebelah kanan bintang. Mereka juga menampilkan rata-rata yang digunakan untuk peringkat sebagai

{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
4 dan
{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
5 masing-masing, di bawah setiap item

Dengan menempatkan Item A di atas, peringkat sisi kiri menyesatkan dan tidak memuaskan. Peringkat di sebelah kanan, berdasarkan rata-rata Bayesian, mencerminkan keseimbangan peringkat dan kuantitas peringkat yang lebih baik. Contoh ini menunjukkan bagaimana rata-rata Bayesian menurunkan rata-rata item A menjadi 4. 3 karena mengukur 10 peringkat A terhadap peringkat B dan C yang jauh lebih besar. Seperti yang dijelaskan nanti, rata-rata Bayesian meninggalkan Item B dan C tidak berubah karena rata-rata Bayesian memengaruhi item dengan jumlah peringkat rendah jauh lebih banyak daripada yang memiliki peringkat lebih banyak.

Singkatnya, dengan merelatifkan peringkat dengan cara ini, rata-rata Bayesian menciptakan perbandingan antar produk yang lebih andal. Ini memastikan bahwa produk dengan jumlah peringkat lebih rendah memiliki bobot lebih sedikit dalam peringkat. Berikut ini adalah deskripsi rata-rata Bayesian dan cara mengkodekannya

Memahami rata-rata Bayesian

Rata-rata Bayesian menyesuaikan peringkat rata-rata produk yang jumlah peringkatnya berada di bawah ambang batas. Misalkan jumlah ambang dihitung menjadi 100. Itu berarti peringkat rata-rata dengan kurang dari 100 peringkat disesuaikan, sedangkan peringkat rata-rata dengan lebih dari 100 peringkat hanya berubah sedikit. Jumlah ambang 100 ini disebut angka kepercayaan, karena memberi Anda keyakinan bahwa rata-rata dengan peringkat 100 atau lebih lebih dapat diandalkan daripada rata-rata dengan peringkat kurang dari 100

Angka kepercayaan ini berasal dari distribusi jumlah peringkat katalog dan peringkat rata-rata semua produk. Dengan memperhitungkan jumlah peringkat dan rata-rata dari seluruh katalog, rata-rata Bayesian memiliki efek berikut pada peringkat rata-rata individual item

  • Untuk item dengan jumlah peringkat yang lebih sedikit dari rata-rata, rata-rata Bayesian menurunkan peringkat tingginya yang dibuat-buat dengan menimbangnya (sedikit) ke rata-rata katalog yang lebih rendah
  • Untuk item dengan banyak peringkat (yaitu, lebih dari ambang batas), rata-rata Bayesian tidak mengubah rata-rata peringkatnya dengan jumlah yang signifikan

Cara menghitung rata-rata Bayesian

Rata-rata Bayesian menggunakan dua konstanta untuk mengimbangi rata-rata aritmatika produk individual

  • peringkat rata-rata aritmatika dari semua produk (
    {
        "name": "Item A",
        "avg_stars_rating": 5,
        "bayes_average": 0,
        "ratings_count": 10,
    },
    {
        "name": "Item B",
        "avg_stars_rating": 4.8,
        "bayes_average": 0,
        "ratings_count": 100,
    },
    {
        "name": "Item C",
        "avg_stars_rating": 4.6,
        "bayes_average": 0,
        "ratings_count": 1000,
    },
    
    6)
  • nomor rahasia (
    {
        "name": "Item A",
        "avg_stars_rating": 5,
        "bayes_average": 0,
        "ratings_count": 10,
    },
    {
        "name": "Item B",
        "avg_stars_rating": 4.8,
        "bayes_average": 0,
        "ratings_count": 100,
    },
    {
        "name": "Item C",
        "avg_stars_rating": 4.6,
        "bayes_average": 0,
        "ratings_count": 1000,
    },
    
    7)

Perhitungan untuk

{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
_6 adalah rata-rata aritmetika langsung untuk semua produk. jumlah semua peringkat dibagi dengan hitungan kuantitas peringkat

Menghitung

{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
_7 membutuhkan lebih banyak matematika. Tutorial ini menghitung
{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
_7 berdasarkan distribusi jumlah peringkat untuk setiap produk, di mana
{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
7 sama dengan persentil 25% (= kuartil bawah). Misalnya, sebuah toko memiliki 100 produk. Untuk menghitung
{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
_7, Anda mengambil semua produk dan mengurutkannya berdasarkan jumlah peringkat yang dimiliki masing-masing produk. Beberapa memiliki 10 peringkat dan yang lain memiliki peringkat 100 atau 1000. Setelah diurutkan, Anda menemukan produk pada posisi 25% pada daftar yang diurutkan dan melihat berapa peringkat yang dimilikinya. Ini adalah kuartil bawah untuk
{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
7. Untuk kesederhanaan, panduan ini menetapkan
1
2
3
4
4

Jadi, jika Anda menghitung peringkat rata-rata keseluruhan (

{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
6) dari katalog toko menjadi 3. 5, rata-rata Bayesian menggunakan kedua nilai ini (
1
2
3
4
6 dan
1
2
3
4
4) untuk menyesuaikan rata-rata aritmatika. Ini dilakukan dengan menggunakan rumus berikut

Ini rumus yang sama dengan contoh angka yang dimasukkan

Pengodean rata-rata Bayesian

Bagian ini menunjukkan cara mengkodekan konstanta Bayesian (

{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
6 dan
{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
7) dan rata-rata Bayesian itu sendiri. Ini juga membahas kapan harus menghitung nilai-nilai ini

Atribut yang diperlukan dalam index

Anda memerlukan dataset produk yang setiap produknya memiliki setidaknya tiga atribut ini

  • Peringkat rata-rata aritmatika produk (
    // Set the value of the catalog average rating
    const m = 3.5; // average rating of all products
    // Set the value of the confidence number
    const C = 100; // confidence number based on quartile
    
    0)
  • Rata-rata Bayesian produk (
    // Set the value of the catalog average rating
    const m = 3.5; // average rating of all products
    // Set the value of the confidence number
    const C = 100; // confidence number based on quartile
    
    _1), ini bisa kosong atau
    // Set the value of the catalog average rating
    const m = 3.5; // average rating of all products
    // Set the value of the confidence number
    const C = 100; // confidence number based on quartile
    
    2 untuk memulai
  • Jumlah peringkat (
    // Set the value of the catalog average rating
    const m = 3.5; // average rating of all products
    // Set the value of the confidence number
    const C = 100; // confidence number based on quartile
    
    _3)

Ini contoh kumpulan data

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},

JSON ini sudah menyertakan atribut

// Set the value of the catalog average rating
const m = 3.5; // average rating of all products
// Set the value of the confidence number
const C = 100; // confidence number based on quartile
1. Tujuan dari kode berikut adalah untuk menghitung nilai
// Set the value of the catalog average rating
const m = 3.5; // average rating of all products
// Set the value of the confidence number
const C = 100; // confidence number based on quartile
1

Selain itu, sampel dataset tidak menunjukkan atribut lain, seperti deskripsi produk, harga, spesifikasi barang, dll

Menghitung konstanta Bayesian

Variabel

{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
6 dan
{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
7 mewakili dua konstanta Bayesian. Dalam kode ini, mereka diberi nilai dari bagian sebelumnya (
1
2
3
4
6 dan
1
2
3
4
4)

1
2
3
4
// Set the value of the catalog average rating
const m = 3.5; // average rating of all products
// Set the value of the confidence number
const C = 100; // confidence number based on quartile

Ada berbagai cara untuk menghitung konstanta

{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
7. Seperti yang disarankan di bagian sebelumnya, Anda dapat menggunakan % kuartil yang lebih rendah yang sesuai dengan persentil 25%. Anda dapat menghitung nilai ini menggunakan fungsi SQL berikut

1
2
/* The value C is equal to: */
PERCENTILE_CONT(0.25) WITHIN GROUP ( ORDER BY ratings_count asc) OVER ()

Sintaks fungsi SQL ini dapat berbeda dari satu database SQL ke database SQL lainnya, jadi Anda mungkin perlu menyesuaikannya

Anda mungkin juga ingin menghitung konstanta terpisah untuk setiap kategori produk. Ini berguna untuk kasus penggunaan dengan berbagai kategori item, seperti Amazon dan pasar lainnya

Menghitung rata-rata Bayesian untuk setiap produk

Variabel

// Set the value of the catalog average rating
const m = 3.5; // average rating of all products
// Set the value of the confidence number
const C = 100; // confidence number based on quartile
0 dan
// Set the value of the catalog average rating
const m = 3.5; // average rating of all products
// Set the value of the confidence number
const C = 100; // confidence number based on quartile
3 cocok dengan atribut dalam indeks yang masing-masing mewakili rata-rata peringkat dan jumlah peringkat untuk setiap produk

1
2
3
4
// Name of the attribute having the arithmetic average rating per record
const product_ratings_average = 'avg_stars_rating';
// Name of the attribute having the quantity of ratings per record
const product_ratings_count = 'ratings_count';

Pertama, buat fungsi yang menghitung rata-rata Bayesian. Dengan menggunakan keempat variabel, fungsi ini menghasilkan rata-rata Bayesian untuk satu produk

1
2
3
const bayesianAverage = (product_ratings_count, product_ratings_average, m, C) => {
  return (product_ratings_count*product_ratings_average + m*C) / (product_ratings_count+C)
}

Selanjutnya, lakukan perhitungan untuk setiap produk. Anda dapat melakukannya dengan

  • mengambil setiap produk dalam indeks, menggunakan metode
    1
    2
    
    3
  • menjalankannya melalui fungsi rata-rata Bayesian sebelumnya untuk menghitung rata-rata Bayesian mereka
  • memperbarui indeks dengan nilai baru mereka

{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
0
{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
1

Contoh lengkapnya terlihat seperti ini

{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
2
{
    "name": "Item A",
    "avg_stars_rating": 5,
    "bayes_average": 0,
    "ratings_count": 10,
},
{
    "name": "Item B",
    "avg_stars_rating": 4.8,
    "bayes_average": 0,
    "ratings_count": 100,
},
{
    "name": "Item C",
    "avg_stars_rating": 4.6,
    "bayes_average": 0,
    "ratings_count": 1000,
},
3

Frekuensi dan metode memperbarui rata-rata Bayesian

Saat pengguna menilai produk, rata-rata Bayesian mereka berubah—tetapi tidak harus dengan setiap peringkat baru. Berikut beberapa panduan tentang seberapa sering memperbarui rata-rata Bayesian

Untuk , Anda dapat membuat tugas batch yang dijalankan seminggu sekali atau sebulan. Konstanta ini tidak perlu sering diubah

Penting untuk menyimpan konstanta ini agar Anda dapat menghitung semua produk berdasarkan konstanta yang sama. Jadi, setiap kali Anda mengubah konstanta ini, Anda harus menghitung ulang rata-rata Bayesian setiap produk

Untuk , Anda dapat menghitung ulang rata-rata Bayesian secara berkala pada siang hari, setiap malam, atau bahkan setiap minggu. Itu semua tergantung pada berapa banyak peringkat yang Anda dapatkan setiap hari. Misalnya, Uber mungkin ingin memperbarui rata-rata pengemudi mereka beberapa kali sehari, sedangkan Amazon mungkin baik-baik saja dengan proses semalam, atau bahkan setiap minggu. Intinya, semakin sering orang menilai produk Anda, semakin sering Anda harus memperbarui rata-rata Bayesian

Karena perhitungan Bayesian adalah rata-rata, nilainya tidak berubah dengan setiap peringkat baru. Oleh karena itu, biasanya tidak perlu menghitung ulang dengan setiap peringkat baru. Anda dapat menghitung ulang rata-rata Bayesian setiap kali Anda memperbarui indeks produk Anda. Perhatikan bahwa karena rata-rata Bayesian memengaruhi satu atribut per catatan, Anda dapat melakukan pembaruan parsial untuk hanya mengubah atribut rata-rata Bayesian

Memasukkan rata-rata Bayesian sebagai peringkat khusus

Seperti yang Anda lihat, Anda menambahkan atribut rata-rata Bayesian ke setiap produk. Ini digunakan sebagai atribut peringkat khusus untuk memberi peringkat catatan berdasarkan peringkat. Ada beberapa pertimbangan saat menggunakan rata-rata Bayesian sebagai peringkat khusus. Misalnya

  • Anda dapat menggunakannya sebagai peringkat khusus tunggal atau menggabungkannya dengan atribut peringkat khusus lainnya
  • Terkadang lebih baik mengelompokkan item dengan rata-rata Bayesian yang serupa
  • Anda dapat menambahkan lebih banyak faktor ke perhitungan Bayesian untuk meningkatkan akurasinya

Menggunakan rata-rata Bayesian sebagai peringkat kustom tunggal

Sampai saat ini, asumsinya adalah bahwa rata-rata Bayesian beroperasi sendiri dalam menentukan peringkat hasil Anda. Dalam hal ini, Anda dapat menggunakan atribut

// Set the value of the catalog average rating
const m = 3.5; // average rating of all products
// Set the value of the confidence number
const C = 100; // confidence number based on quartile
_1 baru yang telah Anda tambahkan di setiap catatan Anda sebagai nilai peringkat khusus, seperti yang terlihat pada gambar berikut

Bagaimana peringkat rata-rata dihitung dalam php?

Menggabungkan rata-rata Bayesian dengan sinyal peringkat khusus lainnya

Lebih sering, Anda ingin menambahkan kriteria peringkat kedua sebagai pemecah seri, untuk menangani kasus di mana dua atau lebih hasil memiliki rata-rata Bayesian yang sama. Dalam kasus ini, Anda dapat menggunakan metrik bisnis biasa, seperti sebagian besar penjualan, tampilan, margin, atau apa pun

Misalnya, jika Anda memiliki sepuluh rekor dengan rata-rata Bayesian 4, Anda memerlukan peringkat khusus kedua untuk memutuskan hubungan antara 4 ini. Berikut adalah contoh di mana produk

1
2
7 bertindak sebagai pemecah ikatan sekunder untuk peringkat rata-rata Bayesian utama

Bagaimana peringkat rata-rata dihitung dalam php?

Membulatkan dan mengelompokkan skor

Anda mungkin ingin membulatkan skor Anda ke salah satu dari 5 peringkat (1, 2, 3, 4, atau 5), atau lebih terperinci (0. 5, 1, 1. 5, …, 5), dengan menggunakan fungsi pembulatan. Hal ini untuk menghindari dampak peringkat dengan perbedaan yang tidak signifikan di antara produk. Misalnya, Anda dapat memutuskan produk dengan rata-rata Bayesian 3. 15 dan 3. 16 harus memiliki peringkat yang sama

Anda juga dapat mengelompokkan peringkat. Misalnya, Anda dapat menempatkan produk dengan rata-rata Bayesian antara 3. 8 dan 4. 2 menjadi satu grup dengan peringkat 4, produk dengan rata-rata antara 4. 3 dan 4. 7 ke grup lain dengan peringkat 4. 5, dan seterusnya

Tidak setiap kelompok perlu memiliki rentang yang sama. Misalnya, satu grup dapat berisi peringkat antara 1 dan 2, sedangkan grup lain dapat berisi peringkat antara 3 dan 3. 5, dll. Ini berguna ketika peringkat produk Anda tidak terdistribusi secara merata, misalnya, lebih banyak 3 daripada 1. Pengelompokan adalah nama lain untuk , yang tidak hanya menghilangkan perbedaan yang tidak signifikan di antara produk, tetapi juga menyesuaikan pengelompokan dengan kebutuhan atau kumpulan data bisnis Anda yang tepat.

Meskipun menggunakan rata-rata Bayesian adalah cara terbaik untuk menentukan peringkat hasil, ini mungkin terlalu sederhana bergantung pada ukuran atau sifat bisnis Anda. Beberapa bisnis mengubah cara mereka menghitung “peringkat bintang rata-rata. ”

Misalnya, mereka dapat memasukkan sinyal lain ke dalam rata-ratanya, seperti menimbang ulasan dari pengulas yang divalidasi secara berbeda, atau mengecualikan ulasan yang memiliki kurang dari lima suka, atau menghapus peringkat tinggi dan rendah yang terlalu menyimpang dari rata-rata (dengan asumsi peringkat Anda mengikuti . )

Singkatnya, apakah itu dengan pembulatan, pengelompokan, atau menggunakan beberapa indikator, Anda meningkatkan rata-rata Bayesian yang sudah lebih andal, sehingga menciptakan indikator produk favorit yang lebih andal

Langkah dan sumber daya selanjutnya

Jangan ragu untuk membagikan metode lain yang telah Anda gunakan untuk menilai tingkat antusiasme terhadap produk individual Anda. Hubungi Insinyur Solusi khusus Anda atau poskan ide Anda di forum komunitas Algolia

Bagaimana cara menghitung rata-rata peringkat di PHP?

Buat file PHP dengan nama star-rating. .
Pilih semua peringkat untuk produk yang dipilih atau posting sebagai larik. .
Dapatkan jumlah semua nilai. .
Bagilah nilai itu dengan jumlah tarif untuk mendapatkan peringkat rata-rata. .
Dapatkan persentase dari nilai 3. 6 untuk mengisi 5 bintang (3. 6/5)*100 = 72%

Bagaimana peringkat rata-rata dihitung?

Proses penghitungan peringkat numerik rata-rata adalah untuk mendapatkan total semua peringkat bagian. Kemudian, total ini dibagi dengan jumlah bagian dalam dokumen kinerja . Jadi, jika ada empat bagian dalam dokumen, kalkulator akan membagi jumlah peringkat numerik dengan empat.

Bagaimana cara menghitung nilai rata-rata dari 5 dalam PHP?

Tambahkan 220 kali nilai 1, 31 kali nilai 2 dan seterusnya. Kemudian bagi dengan total .

Bagaimana cara menghitung peringkat bintang rata-rata di MySQL?

$i=$i+1; for($i=$rating+1; $i<=5; $i++){ // This is for non-star rating $img=$img. ""; } echo $img; } ?>