Machine Learning / AI

При тежък дисбаланс на класовете, как се държат прецизността, recall и PR-AUC?

Какви метрики използвахте, колко данни имаше и какъв беше балансът на класовете?

Разкажете за себе си и задачите, които сте изпълнили.

Ако можете да комуникирате само с ограничен брой клиенти, как оценявате такъв модел за оценяване?

Дали това беше задача за класификация или за времеви серии? Как беше взето предвид времето по време на обучение и тестване?

Имаш цел и проверен feature store с около 5000 характеристики. Как ще го тестваш в тази задача?

Намерете всички клиенти през януари, които са имали поне една продажба след комуникация в рамките на 30 дни. продажби id клиентски_ид сума дата_на_продажба [phone] комуникации id клиентски_ид тип дата_комуникация дата_раздел 1 1 поща [phone] обаждане [phone] обаждане [phone] имейл [phone] sms [phone] #Има списък, трябва да напишете функция, която връща два списъка, един с нормални стойности и друг с аномалии. Засега предполагаме, че аномалия е стойност, която надвишава средната data = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

Как се изчислява итеративно ROC-кривата след класифициране на обектите по резултат?

Какво показва PR-AUC?

Какво знаете за ROC-AUC?

Разкажете за една от последните задачи за класификация и опишете нейния pipeline.

Имаше ли списък за проверка, който операторът трябваше да следва по време на разговора, или проверката се извършваше без него?

Знаете ли какво е модел за оценяване?

Намерете всички клиенти през януари, които имат поне една продажба след комуникация в рамките на 30 дни.

Разкажете за задача за клъстеризация.

Разкажете за задача по NLP, която сте изпълнили.

Добра ли е точността от 700 продажби на милион избрани клиенти в задача с рядка конверсия?

Колко характеристики ще вземете от feature store и как ще ги изберете, ако всички 5000 характеристики са валидни и без течове?