Добавить вопрос
@mommyscience
Войти
Guest
Информация
Вопросы
Комментарии
Комментарий:
Ответ от Иван: Это диаграмма ящик с усами, которая используется для сравнения нескольких распределений между собой
к вопросу:
Что такое boxplot?
Комментарий:
Ответ от Nick: Основные фреймворки глубокого обучения на данный момент: Pytorch Tensorflow Keras Caffe/Caffe2 MXNet Thenao
к вопросу:
Какие фреймворки глубокого обучения вы знаете?
Комментарий:
Ответ от Nick: Хочу чтобы модель предсказывала заемщиков, которые не вернут кредит или вероятность, с которой заемщик вернет/не вернет кредит.
к вопросу:
Перевести на ML язык запрос менеджера: "хочу, чтобы модель выявляла почти всех "плохих" заемщиков"
Комментарий:
Ответ от Автор: Удобно на медицинском примере: ошибка I рода - не будем лечить больного, ошибка II рода - будем лечить здорового.
к вопросу:
Как объяснить бизнесу, что значат ошибки I и II рода?
Комментарий:
Ответ от pik94: Update: в линейной регрессии
к вопросу:
Какой функционал оптимизируется в задаче линейной регрессии? Как записать это в векторной записи?
Комментарий:
Ответ от Александр: Построить модель бинарной классификации
к вопросу:
Перевести на ML язык запрос менеджера: "хочу, чтобы модель выявляла почти всех "плохих" заемщиков"
Комментарий:
Ответ от Лось: Обозначим в выборке хорошего заёмщика за 0, плохого за 1. Тогда нужно построить модель, которая найдёт как можно больше единиц в данных, т.е. минимизировать false negative, т.е. максимизовать recall. На практике чистый recall оптимизируют редко, поэтосму лучше взять F-score с большим перекосом в сторону recall (т.е. beta > 1).
к вопросу:
Перевести на ML язык запрос менеджера: "хочу, чтобы модель выявляла почти всех "плохих" заемщиков"
Комментарий:
Ответ от pik94: Иван, плюс ещё сам ящик содержит в себе 50% выборки.
к вопросу:
Что такое boxplot?
Комментарий:
Ответ от AprendizEterno: Датасет - окружность outlier - её центр
к вопросу:
Дан 2-мерный датасет (2 признака). Нарисовать ситуацию, в которой outlier можно увидеть анализируя только 2 признака одновременно
Комментарий:
Ответ от AS: Nick, как банковский сотрудник уточню, кто такой "плохой заемщик" для банка - это заемщик, который пропустил три платежа подряд. "Мошенник" - тот, кто пропустил первый платеж (иногда - первый или второй).
к вопросу:
Перевести на ML язык запрос менеджера: "хочу, чтобы модель выявляла почти всех "плохих" заемщиков"
Комментарий:
Ответ от Никита: Автор, наоборот же. Ошибка первого рода - ложная тревога(мужчина забеременел, металоискатель сработал ложно). Ошибка второго рода уже опасней ошибки первого рода(женщина беременна, а ей говорят что нет, бомба прошла через металлоискатель, а он не сработал)
к вопросу:
Как объяснить бизнесу, что значат ошибки I и II рода?
Комментарий:
Ответ от Никита: Никита, ошибка первого рода (false positive) лечим здорового, ошибка второго рода(false negative) не лечим больного.
к вопросу:
Как объяснить бизнесу, что значат ошибки I и II рода?
Комментарий:
Ответ от Никита: Никита, если у нас нулевая гипотеза H0 - человек здоров.
к вопросу:
Как объяснить бизнесу, что значат ошибки I и II рода?
Комментарий:
Ответ от Greg: 3 * 128 * (5*5) + 128 = 9728 Поправьте, если не прав (впервые по памяти формулу вспоминаю)
к вопросу:
Число пареметров в conv2d(in_channels = 3, out_channels = 128, size = (5x5))?
Комментарий:
Ответ от Greg: Чтобы ускорить работу сетки, путём уменьшения размерности (числа каналов). Наглядный пример - googLeNEt (inception блоки).
к вопросу:
Зачем нужна свертка размером 1х1?
Комментарий:
Ответ от Max: Бросок монетки распределен за законом Бернулли. Из закона великих чисел мы знаем, что среднее значение n i.i.d. переменных сходится к теоретическому среднему значению при [code]n -> inf[/code]. То есть, если провести 5 экспериментов, записать среднее значение, потом провести еще 5 и записать среднее значение 10 проведенных экспериментов и продолжить этот процесс, можно увидеть, что записанные значения будут всё ближе и ближе к 0.6, то есть теоретическому среднему. Чтобы понять, сколько экспериментов надо провести, можно использовать центральную предельную теорему. Для этого можно переформулировать вопрос: сколько надо экспериментов, чтобы из заданной уверенностью ([code]1 - alpha[/code]) сказать что разница между эмпирическим и теоретическим средними достаточно мала или: [code] Pr(|Kn - mu| > eps) <= alpha[/code], где [code]Kn = (X1 + ... + Xn) / n, mu = E(Kn) = p[/code], [code]eps[/code] - допустимое различие. Далее [code] |Kn - mu| > eps <=> |Kn - mu| / std(Kn) > eps / std(Kn) => Pr(|Kn - mu| / std(Kn) > eps / std(Kn)) (approx.) = Pr(|Z| > eps / std(Kn)) = = Pr(|Z| > eps * sqrt(n)/p(1-p)) = 2Pr(Z > eps * sqrt(n)/p(1-p)) = = 2 (1 - Pr(Z <= eps * sqrt(n)/p(1-p))) = alpha [/code] [code] Pr(Z <= eps * sqrt(n)/p(1-p))[/code] - это кумулятивная функция распределения Z (то есть её значения заранее известны), a Z имеет стандартное нормальное распределение (из-за теоремы). Таким образом, единственное неизвестное здесь - n, и уравнение можно легко решить.
к вопросу:
Фальшивая монетка падает орлом в 60% случаев (а не в 50). За сколько подбрасываний и как можно определить что монетка фальшивая?
Комментарий:
Ответ от pik94: Никита, при Вашей гипотезе Вы все верно расписали. Я имел в виду H0 - человек болен. Надо было уточнить.)
к вопросу:
Как объяснить бизнесу, что значат ошибки I и II рода?
Комментарий:
Ответ от Kek: Хочу высокий recall
к вопросу:
Перевести на ML язык запрос менеджера: "хочу, чтобы модель выявляла почти всех "плохих" заемщиков"
Комментарий:
Ответ от Kirill: AprendizEterno, или, как вариант: все объекты лежат вдоль осей (как бы четвертью окружности), а outlier - в правом верхем
к вопросу:
Дан 2-мерный датасет (2 признака). Нарисовать ситуацию, в которой outlier можно увидеть анализируя только 2 признака одновременно
Комментарий:
Ответ от Kirill: надо смотреть на баланс классов. Это может быть бесполезный константный алгоритм на датасете с балансом классов 85 и 15. лучше смотреть на пресижн, реколл и auc-roc
к вопросу:
Если у алгоритма accuracy = 85%, то это хорошее качество?
Комментарий:
Ответ от Vladimir: Kirill, тогда сразу напрашиваемся вопрос «каким именно образом смотреть на указанные Вами метрики. Больше - лучше?»
к вопросу:
Если у алгоритма accuracy = 85%, то это хорошее качество?
Комментарий:
Ответ от Roma: Roc кривая - это график, позволяющий оценить качество бинарной классификации, отображает соотношение между долей объектов от общего количества носителей признака, верно классифицированных как несущие признак. Площадь под ROC-кривой AUC (Area Under Curve) является характеристикой качества классификации, не зависящей от соотношения цен ошибок. Чем больше значение AUC, тем лучше модель классификации. Данный показатель часто используется для сравнительного анализа нескольких моделей классификации.
к вопросу:
Объяснить, что такое ROC/AUC
Комментарий:
Ответ от Alex: Вероятность события равна 1/2*1/2 = 1/4 Соответственно, 4 броска, я думаю)
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от Egor: Alex, но события же независимые? или я ошибаюсь?
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от Egor: P-value — это величина, используемая при тестировании статистических гипотез, это вероятность ошибки при отклонении нулевой гипотезы (ошибки первого рода). Обычно P-значение равно вероятности того, что случайная величина с данным распределением (распределением тестовой статистики при нулевой гипотезе) примет значение, не меньшее, чем фактическое значение тестовой статистики.
к вопросу:
Что такое p-value?
Комментарий:
Ответ от Alex: Egor, так вероятность последовательных независимых событий и равна произведению их вероятностей :)
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от Lony: Вот неплохая статья на эту тему на русском [title](https://neurohive.io/ru/vidy-nejrosetej/resnet-34-50-101/)
к вопросу:
В чем идея ResNet?
Комментарий:
Ответ от Egor: Alex, спасиб
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от Максим : В блоге Александра Дьяконова дано очень понятное определение roc_auc
к вопросу:
Объяснить, что такое ROC/AUC
Комментарий:
Ответ от Roman: 6
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от Ser: Roman, почему?
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от Pharmakon: Двоичная энтропия по Шеннону для независимых случайных событий с вероятностями [code]p1, p2, ..., p_n[/code] равна [code]-Sum(p_i*log(p_i)[/code] по всем [code]i[/code] от [code]1[/code] до [code]n[/code] (логарифм двоичный). Для k-нарной энтропии основание логарифма заменить на [code]n[/code]. P.S. А можно сюда TeX прикрутить какой-нибудь? Было бы здорово.
к вопросу:
Написать формулу энтропии
Комментарий:
Ответ от Roman: Пусть монетка в среднем бросается n раз. Тогда n = (1/2)*(n+1) + (1/4)*(n+2) + (1/4)*2
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от Максим : Это означает, что неправильно задан target. В этом случае нужно пересчитать полученные вероятности p, как 1-p. AUC_ROC получится больше 0.5
к вопросу:
Что значит AUC <0.5? Что с ним делать?
Комментарий:
Ответ от Ко-ко петух: Встречал эмпирическую зависимость lr=0.1*batch_size/256.
к вопросу:
Как связаны размер батча и learning rate? Что нужно сделать с learning rate при уменьшении размера батча?
Комментарий:
Ответ от lex-sey: Mean -среднее арифметичское median - медиана
к вопросу:
Mean/median/mode — что это?
Комментарий:
Ответ от Кирилл: Можно найти через мат ожидание до попадания в поглощающее состояние (второй бросок решки подряд) марковской цепи. Пусть О - кол-во бросков после выпадения орла, Р - после решки, получаем систему Р = 1 + 0.5*О; О = 1 + 0.5*О + 0.5*Р. Получив О = 6, Р = 4, находим время после первого броска 1 + 0.5*6 + 0.5*4 = 6
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от pik94: Тут есть два варианта решения. 1. Можно воспользоваться свойством "забывания" и составить систему из линейных уравнений. Если ее решить, то ответ будет 6. 2. Я решал "в лоб" через определение матожидания. Вероятность выпадения последовательности длины "n" с двумя решками на конце можно свести к подсчёту комбинаций, когда "n-3" местах ни одна из единиц не стоит рядом, что сводится к вычислению чисел Фибоначчи. В итоге получаем сходящийся ряд, и его сумма тоже будет 6.
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от Никита: n вроже выводится из формулы нахождения z или t статистики 
к вопросу:
Как вычислить минимальный размер выборки для проведения A/B теста?
Комментарий:
Ответ от Никита: https://yadi.sk/i/SWmXVEyDFIZhfg
к вопросу:
Как вычислить минимальный размер выборки для проведения A/B теста?
Комментарий:
Ответ от Ко-ко петух: Kirill, roc_auc с дисбалансом классов тоже так себе метрика
к вопросу:
Если у алгоритма accuracy = 85%, то это хорошее качество?
Комментарий:
Ответ от Максим Тарасов : Если f(x, x1, x2) = (x-x1)(x-x2), также f(x) = a*x^2 + b*x + c. Мы можем тренировать параметры x1 и x2 чтобы фитнуть MSE(f(x, x1, x2), f(x))
к вопросу:
Дано квадратное уравнение, имеющее ровно два корня. Как можно решить его с помощью градиентного спуска?
Комментарий:
Ответ от Pavel: AUC Precison Recal Cruve
к вопросу:
Какие метрики не чувствительны к несбалансированности классов?
Комментарий:
Ответ от Дмитрий Серебрянский: Одна из лучших иллюстраций, которую я видел и которая сразу запоминается:  Ошибка первого рода и второго соответственно.
к вопросу:
Как объяснить бизнесу, что значат ошибки I и II рода?
Комментарий:
Ответ от Max: pik94, 2 - это интересный подход. Можно поподробней?
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от pik94: Max, надеюсь, ТЕХ распарсится тут. Если описать вероятностное пространство, то оно будет состоять и последовательностей вида: 11 011 **011 ***011 и т.д, где вместо * - либо 0, либо 1, причем так, чтобы две единицы не стояли рядом. Введем случайную величину $$\ksi$$, которая возвращает число шагов до ожидаемого события. В данном случае $$\ksi = n $$, где n - длина фиксированной последовательности с выигрышной комбинацией. Теперь надо посчитать вероятность выпадения нашей выигрышной комбинации для каждого фиксированного n. Всего есть [latex]2^n[/latex] исходов. Теперь воспользуемся свойством чисел Фибоначчи: количество последовательностей из 0 и 1, в которых ни одна из единиц не стоит рядом, равна n+2 числу Фибоначчи. Это можно доказать по индукции. Правда, я посчитал в лоб через сочетания, а потом лишь наткнулся на это свойство. В силу того, что у нас последовательность всегда должна заканчиваться на 011, то получаем, что остаётся лишь n-3 места для применения этого свойства, т.е. вероятность выпадения комбинации равна [latex]F_{n-1}/2^n[/latex]. Тогда по определению матождания получим: [latex]\sum_{n=2}^{\infty} n F_{n-1}/2^n = 6[/latex]. Можно подобным образом рассуждать для случая, когда игра окончится при выражении 01. Тоже получится ряд, но более простой, и сходиться будет к 4.
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от pik94: Max, к сожалению, не распарсился. Ещё и ВП поломалось. 11 011 •011 ••011 И т.д.
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от Dmitry: В бустинге каждый следующий предиктор исправляет ошибки предыдущего, дополнительно настраивается learning rate
к вопросу:
В чем отличие градиентного бустинга над деревьями от случайного леса? Какие базовые параметры настраиваются?
Комментарий:
Ответ от Max: pik94, спасибо
к вопросу:
Монетка бросается до тех пор, пока не выпадет две решки подряд. Сколько в среднем бросков надо сделать?
Комментарий:
Ответ от Roman: хорошо, но можно лучше :)
к вопросу:
Как работает логистическая регрессия?
Комментарий:
Ответ от Nicky: А mode - признак имеющий наибольшую частоту в распределении.
к вопросу:
Mean/median/mode — что это?
Комментарий:
Ответ от Анна: Эта задача решается через формулу Байеса. 1) Сначала нужно найти вероятность (P(A)) того, что выбранный наугад житель города будет (!) больным: В - убеждение (гипотеза), что есть город, где 1% населения точно больны. Получается, вероятность P(B) = 0,01. Тогда остальные люди здоровы - P(B^) = 0,99 Вероятность того, что человек болен - P(A|B) = 0,99 , тогда вероятность того, что человек здоров - P(A^|B^) = 0,01. P(A) = P(B)*P(A|B) + P(B^)*P(A^|B^) = 0,01*0,99 + 0,99*0,01 = 0,0198 2) Теперь вычислим вероятность того, что выбранный наугад житель города болен, т.е. переоценим вероятность В. P(B|A) = (P(B)*P(A|B)) / P(A) = (0,01*0,99) / 0,0198 = 99/198 = 1/2 - вероятность того, что выбранный наугад житель города болен :)
к вопросу:
Есть тест, который определяет болен человек или нет с вероятностью 99%. Есть город, про который известно, что 1% населения точно больны. Найти вероятность, что выбранный наугад житель города болен?
Комментарий:
Ответ от сайентолог: хз
к вопросу:
Что такое скользящая средняя?
Комментарий:
Ответ от Александр: Анна, хм выглядит странно, чисто логически если 1% больных в городе, то как отбирая наугад жителей каждый второй будет болен? Судя по условию «найти что выбранный наугад житель болен» то скорее всего и будет 1%. Нам же не говорится о том что найти вероятность с которой тест правильно определит больных. Может быть ошибка в формулировке. В данном случае вероятность 1/2 это вероятность правильно определить больного.
к вопросу:
Есть тест, который определяет болен человек или нет с вероятностью 99%. Есть город, про который известно, что 1% населения точно больны. Найти вероятность, что выбранный наугад житель города болен?
Комментарий:
Ответ от Василий: Александр, при такой постановке вопроса выглядит, действительно, странно. Я думаю, что имелся ввиду вопрос: "Найти вероятность, что выбранный наугад житель города болен, <b>при условии, что тест положителен</b>?" Если вопрос ставить таким образом, то Анна права. А на вопрос в оригинале ответ 0.01
к вопросу:
Есть тест, который определяет болен человек или нет с вероятностью 99%. Есть город, про который известно, что 1% населения точно больны. Найти вероятность, что выбранный наугад житель города болен?
Комментарий:
Ответ от Vladimir: Обязательно нужны формулы чего-нибудь сложнее accuracy и RMSE. Бонусом будут достоинства и недостатки конкретных метрик.
к вопросу:
Виды метрик машинного обучения?
Комментарий:
Ответ от Автор: https://en.wikipedia.org/wiki/Reservoir_sampling
к вопросу:
Как получить равновероятный сэмпл из большого числа строк?
Комментарий:
Ответ от Anna : Задачка из профильного ЕГЭ по математике
к вопросу:
Есть тест, который определяет болен человек или нет с вероятностью 99%. Есть город, про который известно, что 1% населения точно больны. Найти вероятность, что выбранный наугад житель города болен?
Комментарий:
Ответ от Vladimir: Делают, у xgboost есть booster=gblinear.
к вопросу:
Почему не делают бустинг над линейными моделями?
Комментарий:
Ответ от Vladimir: F1 Какая-то статья про это: https://medium.com/usf-msds/choosing-the-right-metric-for-evaluating-machine-learning-models-part-2-86d5649a5428
к вопросу:
Какие метрики не чувствительны к несбалансированности классов?
Комментарий:
Ответ от Автор: Кидаем нашу монетку 2 раза. ОР считаем за 1, РО считаем за 0, ОО и РР перебрасываем.
к вопросу:
Как с помощью нечестной монетки получить два равновероятных исхода
Комментарий:
Ответ от Pharmakon: LabelEncoding кодирует текстовые фичи числами ('A' -> 1, 'B' -> 2, 'B' ->2, 'C' -> 3), а FrequencyEncoding — частотами ('A' -> 0,25, 'B' -> 0,5, 'C' -> 0,25).
к вопросу:
Что такое LabelEncoding и FrequencyEncoding ?
Комментарий:
Ответ от Pharmakon: Это метрика качества теста, одинаково учитывающая precision и recall. Формула: F=2*precision*recall/(precision+recall).
к вопросу:
Что такое F-score и зачем его используют?
Комментарий:
Ответ от Pharmakon: Лол, не подумал, про две звездочки. Ну понятно, что там умножение, короч.
к вопросу:
Что такое F-score и зачем его используют?
Комментарий:
Ответ от Pharmakon: Чтобы фичи с разными абсолютным значениями имели один и тот же вес.
к вопросу:
Зачем нормировать данные для линейных моделей?
Комментарий:
Ответ от Антон : В случайном лесе, бустинге лучше короткие) 1-6 веток) в других задачах нужно строить переобученное дерево, затем подрезать и смотреть качество
к вопросу:
Какие деревья лучше брать: низкие или высокие?
Комментарий:
Ответ от Антон : Когда признаков сто тыщ миллионов или данные разряжены
к вопросу:
Когда случайный лес работает хуже линейной классификации?
Комментарий:
Ответ от Алексей: Антон, а разве в random forest не глубокие деревья строятся? А с переобучением справляется усреднение по большому числу деревьев, не?
к вопросу:
Какие деревья лучше брать: низкие или высокие?
Комментарий:
Ответ от rgalyeon: Нужно решить задачу бинарной классификации с высоким значением полноты (recall). Фиксируем recall (уточняем, какой процент удовлетворяет заказчика) и пытаемся максимизировать precision
к вопросу:
Перевести на ML язык запрос менеджера: "хочу, чтобы модель выявляла почти всех "плохих" заемщиков"
Комментарий:
Ответ от Автор: Ожидают рассказ с упоминанием о том, что это конструктор класса, который вызывается при создании объекта класса.
к вопросу:
Что такое метод __init__ в Питоне?
Комментарий:
Ответ от Автор: [code]language x = True y = False z = False if not x or y: print(1) elif x and not y and z: print(2) elif not x or not y or x and not z: print(3) else: print(4) [/code]
к вопросу:
Что выведет программа (2)?
Комментарий:
Ответ от Автор: [code]language a = 1, 2, 3, 4, 5 b = a b2 = 1 print(a) b4 = 1 print(b) [/code]
к вопросу:
Что выведет программа?
Комментарий:
Ответ от Максим: Смотря в каком алгоритме они применяются - если градиентный бустинг, то строятся неглубокие деревья (max_depth от 2 до 6 обычно). Идея в том, что такие деревья дают сильное смещение и с помощью суммы прогнозов потом мы это смещение уменьшаем. В случайном лесе наоборот строятся глубокие деревья (max_depth 16 и выше обычно), каждое из которых обладает очень большой дисперсией и усреднение прогнозов потом ее уменьшает. Ну и да - подрезка деревьев, а также такие параметры как subsample, solsample by list/tree, alfa/gamma/lambda (для XGBOOST) также направлены на борьбу с переобучением.
к вопросу:
Какие деревья лучше брать: низкие или высокие?
Комментарий:
Ответ от Vladimir: Ну тогда сразу - чем `__init__` отличается от `__new__`? - что должны возвращать `__init__` и `__new__`? - можно ли вызвать `__init__` у уже созданного объекта? - можно ли создать объект без вызова его `__init__`? - вызовется ли `__init__` при распикливании объекта?
к вопросу:
Что такое метод __init__ в Питоне?
Комментарий:
Ответ от Boosting: Boosting
к вопросу:
Какие понятия позволяют строить ансамбли алгоритмов?
Комментарий:
Ничего не произойдёт
к вопросу:
Есть линейная регрессия и xgboost Есть матрица объект-признак где есть один супер информативный признак. Мы берём и создаём 10 копий этого признака + случайных шум. Что станет с моделями?
Комментарий:
3*x^2 * y*2 = [latex]6x^2y[/latex] (Это что, вопрос с подвохом? Нужно догадаться что y*2 это на самом деле [latex]y^2[/latex]?)
к вопросу:
Вычислите производную по x
Комментарий:
Все кроме a) линейная регрессия.
к вопросу:
Алгоритмы классификации
Комментарий:
Алексей, обычное умножение ведь. Имеется ввиду [latex] 2x^3y + 3y^2 [/latex]
к вопросу:
Вычислите производную по x
Комментарий:
Guest, из этого и исходил. Но, [latex]x^3 y 2[/latex] – кто ж так пишет?
к вопросу:
Вычислите производную по x
Комментарий:
Guest, В бустинге короткие, а в случайном лесе - глубокие.
к вопросу:
Какие деревья лучше брать: низкие или высокие?
Комментарий:
От 0 (ключи абсолютно разные) до N * K (если все ключи 2 таблицы равны одному значению и все ключи 1 таблицы равны этому же значению)
к вопросу:
Inner Join таблиц
Комментарий:
Мб стоит добавить сюда же: квартили(персентили) сигму размах выбросы
к вопросу:
Mean/median/mode — что это?
Комментарий:
Болен автор вопроса, с вероятностью 1.0
к вопросу:
Есть тест, который определяет болен человек или нет с вероятностью 99%. Есть город, про который известно, что 1% населения точно больны. Найти вероятность, что выбранный наугад житель города болен?
Комментарий:
Не знаю задумано так или нет, но вернет [code]SyntaxError: invalid syntax[/code] потому что [code]yield[/code] а не [code]yeld[/code] )
к вопросу:
Что вернёт функция:
Комментарий:
1. Нужно найти вероятность того, что никто 5 не любит пиво. Вероятность того, что человек не любит пиво => 1 - 0.2 = 0.8 2. Вероятность того, что никто из 5 не любит пиво => P = 0.8 ^ 5 = 0.32768 3. Вероятность, что хотя бы один любит пиво: 1 - P => 1 - 0.32768 = 0.67232
к вопросу:
Есть 5 любителей пива. Каждый из них любит футбол с вероятностью Р = 0.2. Какова вероятность, что хоть один из них любит футбол?
Комментарий:
0
к вопросу:
Есть квадратное уравнение (см. описание). Найти вероятность Р(х) при которой уравнение имеет только один корень
Комментарий:
Что-то не понятно: функция от двух переменных, и нужно лишь вычислить производную по одной из них? (я так понимаю, уравнение изменилось с момента предыдущих комментариев)
к вопросу:
Вычислите производную по x
Комментарий:
[30,40,50]
к вопросу:
Что вернёт функция:
Комментарий:
1:2
к вопросу:
В городе живет N семей
Комментарий:
Рауф, почему?
к вопросу:
В городе живет N семей
Комментарий:
Resampling Techniques — Oversample minority class Resampling techniques — Undersample majority class Generate synthetic samples (SMOTE)
к вопросу:
Методы борьбы с дисбалансом классов
Комментарий:
Регуляризацией! Штрафовать модель за слишком большие веса.
к вопросу:
Как бороться с переобучением?
Комментарий:
1:2
к вопросу:
В городе живет N семей
Комментарий:
Очевидно пополам, возьмем например 100 семей, на первой итерации у нас будет 50 мальчиков к 50 девочкам, соотношение 1 к 1, на второй итерации 50 семей заводят еще ребенка и у нас снова поровну девочек и мальчиков, соотношение не меняется, и так до самого низа.
к вопросу:
В городе живет N семей
Комментарий:
Guest, разве вероятность ошибки первого рода (или уровень значимости) это не [latex]\alpha[/latex]?
к вопросу:
Что такое p-value?
Комментарий:
Alex-geniy, не правильно. Напиши код, увидишь.
к вопросу:
В городе живет N семей
Комментарий:
[latex] x^2 [/latex][code][/code]
к вопросу:
В городе живет N семей
Комментарий:
SyntaxError: invalid syntax
к вопросу:
Что вернёт функция:
Комментарий:
9x^2*y^4
к вопросу:
Вычислите производную по x
Комментарий:
1/5
к вопросу:
Есть 5 любителей пива. Каждый из них любит футбол с вероятностью Р = 0.2. Какова вероятность, что хоть один из них любит футбол?
Комментарий:
Все зависит от статистики рождаемости мальчиков и девочек. Если допустить, что всегда рождается одинаковое количество, то ответ 1:1. Можно вывести разные значения при разных коэффициентах: [code] for i in range(1, 10): N = 100 boys = 0 girls = 0 coefficient = i/10 while boys < 100: boys += (coefficient * N) girls += ((1-coefficient) * N) print(f"{coefficient}: {boys}, {girls}, {boys/girls}") [/code] [code] 0.1: 100.0, 900.0, 0.1111111111111111 0.2: 100.0, 400.0, 0.25 0.3: 120.0, 280.0, 0.42857142857142855 0.4: 120.0, 180.0, 0.6666666666666666 0.5: 100.0, 100.0, 1.0 0.6: 120.0, 80.0, 1.5 0.7: 140.0, 60.00000000000001, 2.333333333333333 0.8: 160.0, 39.99999999999999, 4.000000000000001 0.9: 180.0, 19.999999999999996, 9.000000000000002 [/code]
к вопросу:
В городе живет N семей
Комментарий:
SyntaxError: invalid syntax
к вопросу:
Что вернёт функция:
Комментарий:
1
к вопросу:
Сколько операций в О-нотации требуется для доступа к элементам:
Комментарий:
Уточню предыдущий ответ: Доступ по индексу для list и tuple занимает константное время и не требует обхода элементов. Доступ в dict по ключу тратит время на вчисление хэша, что тоже можно считать константным, и не тратит время на поиск обходом. Для set - нельзя получить доступ к элементу по индексу, поэтому худший вариант - n
к вопросу:
Сколько операций в О-нотации требуется для доступа к элементам:
Комментарий:
Если рождение мальчика или девочки равновероятно, то соотношение будет 1:1. Была такая же задача в Форд-Боярде математиком в Fless'a
к вопросу:
В городе живет N семей
Комментарий:
1:1
к вопросу:
В городе живет N семей
Комментарий:
Это параметрический тест, а значит это должно быть нормальное распределение + равенство дисперсий + минимальое количество наблюдений в каждой группе, в идеале штук 30
к вопросу:
АБ тесты. Когда можно применять t-тест? (перечислить требования к данным для t-теста)
Комментарий:
Если исправить yeld на yield то вернет [30, 40, 50]
к вопросу:
Что вернёт функция:
Комментарий:
Деление пополам даст искомую сложность
к вопросу:
Есть два списка одинакового размера
Комментарий:
Эта вероятность есть отношение значения ко всему множеству, в данном случае, т.к значений в множестве бесконечно - то вероятность = 0.
к вопросу:
Есть квадратное уравнение (см. описание). Найти вероятность Р(х) при которой уравнение имеет только один корень
Комментарий:
соотношение будет: на 1,5 мальчика - 1 девочка.
к вопросу:
В городе живет N семей
Комментарий:
0.03 Квадратное уравнение имеет один корень <=> дискриминант = 0 => a = 4b => P(a=4b)=P(b<=0.25)=(0.5*0.25^2)/(1-0.5*0.25^2) ~~ 0.03
к вопросу:
Есть квадратное уравнение (см. описание). Найти вероятность Р(х) при которой уравнение имеет только один корень
Комментарий:
Ответ 0,0198 По формуле полной вероятности P(A) = P(B)*P(A|B) + P(B^)*P(A^|B^) = 0,01*0,99 + 0,99*0,01 = 0,0198
к вопросу:
Есть тест, который определяет болен человек или нет с вероятностью 99%. Есть город, про который известно, что 1% населения точно больны. Найти вероятность, что выбранный наугад житель города болен?
Комментарий:
Каждый следующий алгоритм в градиентном бустинге обучается так, чтобы исправить ошибки предыдущих базовых алгоритмов, которыми могут быть неглубокие деревья. Базовые параметры - размер шага, число итераций. Случайный лес — композиция глубоких деревьев, которые строятся независимо друг от друга. Базовые параметры - максимальное число признаков, количество деревьев
к вопросу:
В чем отличие градиентного бустинга над деревьями от случайного леса? Какие базовые параметры настраиваются?
