Machine Learning / AI

Súlyos osztálykiegyensúlyozatlanság esetén, hogyan viselkednek a precízió, recall és PR-AUC?

Milyen metrikákat használtál, mennyi adat volt, és milyen volt az osztályok egyensúlya?

Meséljen magáról és az elvégzett feladatairól.

Ha csak korlátozott számú ügyféllel tud kommunikálni, hogyan értékeli az ilyen scoring modellt?

Ez osztályozási vagy időszakos feladat volt? Hogyan vették figyelembe az időt a tanítás és tesztelés során?

Van egy célod és egy hitelesített feature store-od körülbelül 5000 jellemzővel. Hogyan tesztelnéd ezt a feladatot?

Mit tud a ROC-AUC-ról?

Hogyan számítják ki az ROC-görbét iteratív módon a pontszám szerinti rangsorolás után?

Találja meg az összes januári ügyfelet, akik legalább egy értékesítést hajtottak végre kommunikáció után 30 napon belül. értékesítések id ügyfél_id összeg értékesítési_dátum [phone] kommunikációk id ügyfél_id típus kommunikáció_dátum partíció_dátum 1 1 levél [phone] hívás [phone] hívás [phone] e-mail [phone] sms [phone] #Van egy lista, írjon egy függvényt, amely két listát ad vissza, egyet normális értékekkel, másikat anomáliákkal. Először tegyük fel, hogy az anomália egy olyan érték, amely meghaladja az átlagot data = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

Meséljen el egy legutóbbi osztályozási feladatról, és írja le a pipeline-ját.

Mit mutat a PR-AUC?

Tudja, mi az egy scoring modell?

Volt-e ellenőrzőlista, amit az operátornak követnie kellett a hívás során, vagy ellenőrzés nélküli volt?

Találja meg az összes januári ügyfelet, akiknek legalább egy eladása volt a kommunikáció után 30 napon belül.

Meséljen egy klaszterezési feladatról.

Meséljen egy NLP feladatról, amit végzett.

Jó-e az 700 eladás millió kiválasztott ügyfél esetén egy ritka konverziós feladatban?

Hány jellemzőt veszel a feature store-ból, és hogyan választod ki őket, ha mind a 5000 jellemző érvényes és leak nélkül van?