Machine Learning / AI

Ի՞նչ է L1 և L2 ռեգուլյարիզացիայի տարբերությունը գծային մոդելներում։

Ի՞նչ է գծային ռեգրեսիայի վերլուծական լուծման բարդությունը և երբ այն անկայուն է:

Ի՞նչ է PCA (մեծագույն կոմպոնենտների մեթոդը):

Ներկայացրեք որոշումների ծառի և պատահական անտառի տարբերությունը։

Անհավասարակշռված նմուշում մոդելի recall-ը 100% է և precision-ը 1%. Ինչ է տեղի ունեցել?

Ի՞նչ է տեղի ունենում, եթե դասակարգման շեմը շատ ցածր է։

Ի՞նչ է Ջինի չափանիշը և ինչպես է այն օգտագործվում որոշումների ծառեր կառուցելիս:

Կարող եք բացատրել, թե ինչպես է հաշվարկվում F1-score-ը հենց precision և recall-ով?

Նկարագրեք, թե ինչպես է աշխատում աջակցող վեկտորների մեթոդը (SVM) և նրա կապը գծային մոդելների հետ։

Ի՞նչ կորուստի ֆունկցիա է օգտագործվում գծային ռեգրեսիայում:

Ինչպե՞ս է ծառի խորությունը ազդում մոդելի որակի և նրա ընդհանուր կարողության վրա։

Ի՞նչ է ROC գիծը և ինչպես է այն օգտագործվում դասակարգիչների գնահատման համար։

Կարող եք ավելի մանրամասն բացատրել, թե ինչ է precision-ը և recall-ը և ինչպես են դրանք կապված F1-թվականի հետ?

Ինչպե՞ս բարելավել գծային մոդելի կատարողականությունը կատեգորիական նշանների հետ աշխատելիս։

Ինչու՞ չափել հատկանիշները և ինչ մեթոդներ կան չափման համար։

Ինչպե՞ս է F1-score մետրիկը օգնում անհավասարակշռված դասերով խնդիրներում։

Ի՞նչ են recall և precision-ը։

Ինչու՞ կարող է ROC-AUC 0.8 ստանալ ROC-AUC 0.2 ունեցող մոդելով։

Ինչ է փոխում մոդելի արագությունը դասի նշան դարձնելու համար?

Կարող եք բացատրել, թե ինչպես է հաշվարկվում Գինինին ճշգրիտ և ինչպես է դա ազդում որոշումների ծառի բաժանման ընտրության վրա։