Machine Learning / AI

En caso de un desequilibrio severo de clases, ¿cómo se comportan precisión, recall y PR-AUC?

¿Qué métricas utilizaste, cuánta data había y cuál era el equilibrio de clases?

Si solo puedes comunicarte con un número limitado de clientes, ¿cómo evalúas un modelo de puntuación así?

Cuéntanos sobre ti y las tareas que has realizado.

¿Fue una tarea de clasificación o de series temporales? ¿Cómo se consideró el tiempo durante el entrenamiento y la prueba?

¿Qué sabes sobre ROC-AUC?

¿Cómo se calcula la curva ROC de manera iterativa después de clasificar los objetos por puntuación?

Cuéntanos sobre una de las tareas de clasificación recientes y describe su proceso.

¿Qué muestra PR-AUC?

¿Sabes qué es un modelo de puntuación?

¿Había una lista de verificación que el operador debía seguir durante la llamada, o se realizó la verificación sin ella?

Cuéntanos sobre una tarea de PLN que realizaste.

Cuéntanos sobre una tarea de agrupamiento.

Encuentra todos los clientes en enero que tuvieron al menos una venta después de una comunicación en un plazo de 30 días.

Tienes un objetivo y un almacén de características verificado con aproximadamente 5,000 características. ¿Cómo lo probarías en esta tarea?

Encuentra todos los clientes en enero que tuvieron al menos una venta después de una comunicación en un plazo de 30 días. ventas id customer_id amount sale_date [phone] comunicaciones id customer_id type comm_date partition_date 1 1 mail [phone] call [phone] call [phone] email [phone] sms [phone] #Hay una lista, necesitas escribir una función que devuelva dos listas, una con valores normales y otra con anomalías. Supongamos por ahora que una anomalía es un valor que supera el promedio datos = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

¿Es buena una precisión de 700 ventas por millón de clientes seleccionados en una tarea de conversión rara?

¿Cuántas características tomarás del feature store y cómo las seleccionarás si las 5000 características son válidas y sin fugas?