Machine Learning / AI

In caso di forte squilibrio delle classi, come si comportano precision, recall e PR-AUC?

Quali metriche hai usato, quanti dati c'erano e qual era l'equilibrio delle classi?

Se puoi comunicare solo con un numero limitato di clienti, come valuteresti un modello di scoring di questo tipo?

Parlaci di te e dei compiti che hai svolto.

Era un compito di classificazione o di serie temporali? Come è stato considerato il tempo durante l'addestramento e il verifica?

Cosa sai di ROC-AUC?

Come viene calcolata la curva ROC in modo iterativo dopo aver ordinato gli oggetti per punteggio?

Parlaci di uno dei recenti compiti di classificazione e descrivi il suo pipeline.

Cosa mostra PR-AUC?

Sai cos'è un modello di scoring?

C'era una checklist che l'operatore doveva seguire durante la chiamata, o la verifica è stata fatta senza di essa?

Parlaci di un compito di NLP che hai svolto.

Parlaci di un compito di clustering.

Trova tutti i clienti a gennaio che hanno avuto almeno una vendita dopo una comunicazione entro 30 giorni.

Hai un obiettivo e un feature store verificato con circa 5.000 caratteristiche. Come lo testeresti su questo compito?

Trova tutti i clienti a gennaio che hanno avuto almeno una vendita dopo una comunicazione entro 30 giorni. vendite id customer_id importo data_vendita [phone] comunicazioni id customer_id tipo data_comunicazione data_partizione 1 1 mail [phone] chiamata [phone] chiamata [phone] email [phone] sms [phone] #C'è una lista, devi scrivere una funzione che restituisce due liste, una con valori normali e l'altra con anomalie. Supponiamo per ora che un'anomalia sia un valore che supera la media dati = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

Una precisione di 700 vendite per milione di clienti selezionati è buona in un compito di conversione rara?

Quante caratteristiche prenderai dal feature store e come le selezionerai se tutte le 5000 caratteristiche sono valide e senza leak?