Machine Learning / AI

Ποια είναι η διαφορά μεταξύ κανονικοποίησης L1 και L2 σε γραμμικά μοντέλα;

Ποια είναι η πολυπλοκότητα της αναλυτικής λύσης της γραμμικής παλινδρόμησης και πότε είναι ασταθής;

Εξηγήστε τη διαφορά μεταξύ δέντρου αποφάσεων και τυχαίου δάσους.

Τι είναι η PCA (μέθοδος κύριων συνιστωσών);

Τι είναι το κριτήριο Gini και πώς χρησιμοποιείται στην κατασκευή δέντρων αποφάσεων;

Τι συμβαίνει αν το όριο ταξινόμησης είναι πολύ χαμηλό;

Σε ένα ανισορροπημένο δείγμα, το recall του μοντέλου είναι 100% και η ακρίβεια 1%. Τι συνέβη;

Μπορείτε να εξηγήσετε πώς υπολογίζεται ακριβώς το F1-score μέσω της ακρίβειας και της ανάκλησης;

Περιγράψτε πώς λειτουργεί η μέθοδος των διανυσμάτων υποστήριξης (SVM) και η σχέση της με τα γραμμικά μοντέλα.

Ποια λειτουργία απώλειας χρησιμοποιείται στην γραμμική παλινδρόμηση;

Πώς επηρεάζει το βάθος του δέντρου την ποιότητα του μοντέλου και την ικανότητά του να γενικεύει;

Τι είναι η καμπύλη ROC και πώς χρησιμοποιείται για την αξιολόγηση ταξινομητών;

Πώς μπορεί να βελτιωθεί η απόδοση ενός γραμμικού μοντέλου κατά την εργασία με κατηγορικές μεταβλητές;

Γιατί είναι σημαντικό να κλιμακώνουμε τα χαρακτηριστικά και ποια μέθοδοι κλιμάκωσης υπάρχουν;

Μπορείτε να εξηγήσετε πώς υπολογίζεται ακριβώς το κριτήριο Gini και πώς επηρεάζει την επιλογή διαχωρισμού σε ένα δέντρο αποφάσεων;

Ποια είναι οι διαφορές μεταξύ XGBoost, LightGBM και CatBoost;

Μπορείτε να εξηγήσετε λεπτομερέστερα τι είναι η ακρίβεια και η ανάκληση και πώς σχετίζονται με το σκορ F1;

Πώς βοηθά η μετρική F1-score σε εργασίες με ανισοβαρείς κλάσεις;

Γιατί μπορεί να επιτευχθεί ROC-AUC 0,8 σε ένα μοντέλο με ROC-AUC 0,2;

Τι είναι το recall και η precision;