Machine Learning / AI

Jaka jest różnica między regularyzacją L1 a L2 w modelach liniowych?

Jaka jest złożoność analitycznego rozwiązania regresji liniowej i kiedy jest niestabilne?

Czym jest PCA (metoda głównych składników)?

Wyjaśnij różnicę między drzewem decyzyjnym a lasem losowym.

Czym jest kryterium Gini i jak jest wykorzystywane w budowie drzew decyzyjnych?

Co się dzieje, jeśli próg klasyfikacji jest zbyt niski?

Na niezrównoważonej próbce, recall modelu wynosi 100%, a precision 1%. Co się stało?

Opisz, jak działa metoda maszyn wektorów nośnych (SVM) i jej związek z modelami liniowymi.

Czy możesz wyjaśnić, jak dokładnie oblicza się F1-score za pomocą precision i recall?

Jaka funkcja straty jest używana w regresji liniowej?

Czym jest krzywa ROC i jak jest używana do oceny klasyfikatorów?

Jak głębokość drzewa wpływa na jakość modelu i jego zdolność do uogólniania?

Jak poprawić wydajność modelu liniowego przy pracy z cechami kategorycznymi?

Dlaczego skalować cechy i jakie metody skalowania istnieją?

Jak metryka F1-score pomaga w zadaniach z niezrównoważonymi klasami?

Czym różnią się XGBoost, LightGBM i CatBoost?

Czy możesz wyjaśnić, jak dokładnie oblicza się kryterium Gini i jak wpływa ono na wybór podziału w drzewie decyzyjnym?

Czy możesz bardziej szczegółowo wyjaśnić, czym jest precision i recall oraz jak są one powiązane z wynikiem F1?

Dlaczego można uzyskać ROC-AUC 0,8 w modelu z ROC-AUC 0,2?

Czym są recall i precision?