Machine Learning / AI

În cazul unui dezechilibru sever al claselor, cum se comportă precizia, recall și PR-AUC?

Ce metrici ai folosit, câte date erau și care era echilibrul claselor?

Spune-ne despre tine și despre sarcinile pe care le-ai îndeplinit.

Dacă poți comunica doar cu un număr limitat de clienți, cum evaluezi un astfel de model de scorare?

A fost o sarcină de clasificare sau de serie temporală? Cum a fost luat în considerare timpul în timpul antrenamentului și testării?

Ce știi despre ROC-AUC?

Cum se calculează curba ROC în mod iterativ după clasificarea obiectelor după scor?

Spune-ne despre una dintre ultimele sarcini de clasificare și descrie-i pipeline-ul.

Ce arată PR-AUC?

Știți ce este un model de scorare?

Existau o listă de verificare pe care operatorul trebuia să o urmeze în timpul apelului, sau verificarea s-a făcut fără ea?

Spune-ne despre o sarcină de NLP pe care ai realizat-o.

Găsiți toți clienții din ianuarie care au avut cel puțin o vânzare după comunicare în decurs de 30 de zile.

Spune-ne despre o sarcină de clustering.

Ai un scop și un feature store verificat cu aproximativ 5.000 de caracteristici. Cum le-ai testa pe această sarcină?

Găsiți toți clienții din ianuarie care au avut cel puțin o vânzare după comunicare în decurs de 30 de zile. vânzări id customer_id sumă data_vânzării [phone] comunicări id customer_id tip data_comunicării data_divizare 1 1 poștă [phone] apel [phone] apel [phone] email [phone] sms [phone] #Există o listă, trebuie să scrieți o funcție care returnează două liste, una cu valori normale și cealaltă cu anomalii. Să presupunem pentru moment că o anomalie este o valoare care depășește media date = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

Este o precizie de 700 vânzări pe milion de clienți selectați bună într-o sarcină cu conversie rară?

Câte caracteristici vei lua din feature store și cum le vei selecta dacă toate cele 5000 de caracteristici sunt valide și fără scurgeri?