Machine Learning / AI

Kāda ir atšķirība starp L1 un L2 regulēšanu lineārajos modeļos?

Kāda ir lineārās regresijas analītiskā risinājuma sarežģītība un kad tas ir nestabils?

Izskaidrojiet lēmumu koka un nejaušo mežu atšķirību.

Nepareizi izvēlētā paraugā modeļa recall ir 100% un precizitāte 1%. Kas notika?

Kas ir PCA (galveno komponentu metode)?

Kas notiek, ja klasifikācijas slieksnis ir pārāk zems?

Kas ir Gini kritērijs un kā tas tiek izmantots lēmumu koku būvēšanā?

Vai jūs varētu paskaidrot, kā tieši tiek aprēķināts F1-score, izmantojot precizitāti un atgūšanu?

Aprakstiet, kā darbojas atbalsta vektoru metode (SVM) un tās saistību ar lineārajiem modeļiem.

Kura zaudējumu funkcija tiek izmantota lineārajā regresijā?

Kā koka dziļums ietekmē modeļa kvalitāti un tā vispārējo spēju?

Vai jūs varētu sīkāk izskaidrot, kas ir precision un recall un kā tie ir saistīti ar F1-score?

Kas ir ROC līkne un kā tā tiek izmantota klasifikatoru novērtēšanai?

Kāpēc ir svarīgi mērogot īpašības un kādas mēroga metodes pastāv?

Kā uzlabot lineārā modeļa veiktspēju, strādājot ar kategoriskajām īpašībām?

Kā F1-score metriks palīdz uzdevumos ar nesabalansētām klasēm?

Kas ir recall un precision?

Kādas ir atšķirības starp XGBoost, LightGBM un CatBoost?

Kāpēc modelī ar ROC-AUC 0,2 var sasniegt ROC-AUC 0,8?

Vai jūs varat izskaidrot, kā tieši tiek aprēķināts Gini kritērijs un kā tas ietekmē lēmumu koka izvēli?