Machine Learning / AI

V prípade závažného nerovnováhy medzi triedami, ako sa správajú precision, recall a PR-AUC?

Aké metriky ste použili, koľko dát bolo a aká bola rovnováha medzi triedami?

Povedzte nám o sebe a úlohách, ktoré ste vykonali.

Ak môžete komunikovať len s obmedzeným počtom klientov, ako hodnotíte takýto scoring model?

Bola to úloha klasifikácie alebo časových radov? Ako bolo počas tréningu a testovania zohľadnené časové hľadisko?

Ako sa vypočíta ROC krivka iteratívne po zoradení objektov podľa skóre?

Čo viete o ROC-AUC?

Povedzte nám o jednom z nedávnych úloh klasifikácie a opíšte jeho pipeline.

Čo ukazuje PR-AUC?

Viete, čo je model hodnotenia?

Bola tam kontrolná zoznam, ktorú mal operátor dodržať počas hovoru, alebo bola kontrola vykonaná bez nej?

Povedzte nám o úlohe NLP, ktorú ste vykonali.

Povedzte nám o úlohe zhlukovania.

Nájdite všetkých klientov v januári, ktorí mali aspoň jednu predaj po komunikácii do 30 dní.

Máte cieľ a overený feature store s približne 5000 vlastnosťami. Ako by ste ho otestovali na tomto úlohe?

Nájdite všetkých klientov v januári, ktorí mali aspoň jednu predaj po komunikácii do 30 dní. predaje id zákazník_id suma dátum_predaja [phone] komunikácie id zákazník_id typ dátum_komunikácie dátum_rozsah 1 1 pošta [phone] hovor [phone] hovor [phone] email [phone] sms [phone] #Existuje zoznam, musíte napísať funkciu, ktorá vráti dva zoznamy, jeden s normálnymi hodnotami a druhý s anomáliami. Predpokladajme, že anomália je zatiaľ hodnota, ktorá presahuje priemer data = [100, 200, 150, 5000, 1300, 120, 700, 2000, 200]

Je presnosť 700 predajov na milión vybraných klientov dobrá v úlohe s vzácnou konverziou?

Koľko vlastností vezmete z feature store a ako ich vyberiete, ak všetkých 5000 vlastností je platných a bez únikov?