Практические руководства Создание функций с помощью деревьев решений с градиентным усилением TL;DR В этом блоге мы реализуем идею, ранее упомянутую в исследовательской статье Facebook AI: Практические уроки прогнозирования кликов по рекламе в Facebook Идея состоит в том, чтобы создать нелинейные преобразования функций с использованием дерева решений с повышением градиента, которое затем используется для прогнозирования с помощью окончательной оценки. Реализация..

Как специалист по данным, очистка данных и проектирование функций часто являются одними из самых трудоемких и сложных частей любого проекта машинного обучения. Эти задачи могут потребовать значительного объема ручной работы, и даже небольшие ошибки могут существенно повлиять на точность конечной модели. Однако недавно я обнаружил алгоритм, который помог мне сэкономить время и повысить точность моих моделей: LightGBM. Этот блог представляет собой руководство по LightGBM, в котором я..

Руководитель отдела аналитики данных Уилл Боннер о повышении градиента как «черном ящике» Повышение градиента - отличный метод подбора прогнозных моделей, который часто используют специалисты по данным, чтобы получить дополнительную производительность по сравнению с подгонкой традиционной регрессии. Обратной стороной повышения градиента является то, что он менее интерпретируемый - его иногда рассматривают как модель «черного ящика». Это порождает две проблемы: Понимание общей..