Machine Learning / AI

Kui klasside tasakaalustamatus on tõsine, kuidas käituvad täpsus, recall ja PR-AUC?

Milliseid mõõdikuid kasutasite, kui palju andmeid oli ja milline oli klasside tasakaal?

Rääkige meile endast ja tehtud ülesannetest.

Kui saate suhelda ainult piiratud arvu klientidega, kuidas hindaksite sellist skoorimismudelit?

Kas see oli klassifikatsiooni või ajaseeria ülesanne? Kuidas arvestati aega treeningu ja testimise ajal?

Teil on siht ülesande jaoks umbes 5000 omadusega kinnitatud funktsioonide pood ja siht. Kuidas seda testiksite?

Mida teate ROC-AUC kohta?

Kuidas arvutatakse ROC-kõverit iteratiivselt pärast objektide järjestamist skoori järgi?

Leidke kõik kliendid jaanuaris, kellel oli vähemalt üks müük pärast suhtlust 30 päeva jooksul. müük id klient_id summa müügikuupäev [phone] suhted id klient_id tüüp suhtluse_kuupäev jaotise_kuupäev 1 1 postitus [phone] kõne [phone] kõne [phone] e-kiri [phone] SMS [phone] #On nimekiri, peate kirjutama funktsiooni, mis tagastab kaks nimekirja, üks normaalse väärtusega ja teine anomaaliaga. Oletame praegu, et anomaalia on väärtus, mis ületab keskmise data = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

Rääkige meile ühest viimastest klassifikatsioonitöödest ja kirjeldage selle pipeline'i.

Mida näitab PR-AUC?

Kas teate, mis on scoring mudel?

Leidke kõik kliendid jaanuaris, kellel oli vähemalt üks müük pärast suhtlust 30 päeva jooksul.

Kas oli kontrollnime, mida operaator pidi järgima kõne ajal, või tehti kontroll ilma selleta?

Rääkige meile klasterdamise ülesandest.

Rääkige meile NLP ülesandest, mida te tegite.

Kas on hea, kui täpsus on 700 müüki miljoni valitud kliendi kohta haruldases konversioonitöös?

Kui palju omadusi te võtate funktsioonide poest ja kuidas te neid valite, kui kõik 5000 omadust on kehtivad ja ilma lekkedeta?