Добро пожаловать в мир Леди Харт! После более чем 10-летнего путешествия по сбору данных я собрал несколько загадочных растений и вырастил их в своем саду. 🍀 Каждое из этих растений обладает суперсилой для применения практических решений в области науки о данных в реальном мире. Посетив мой сад, вы не только увидите эти растворы, но и получите ростки этих растений, чтобы иметь возможность выращивать их у себя! 💖 Королева Лотос Королева Лотос - королева этого сада. Хотите знать,..

Часть реализации! В первой части этой серии сообщений в блоге мы обсудили множество вещей, связанных с концепциями, которые необходимо знать перед выполнением экспериментов по настройке гиперпараметров, в том числе: Оценка моделей машинного обучения Введение в настройку гиперпараметров Исчерпывающий поиск Изучение байесовской оптимизации Изучение эвристического поиска Изучение многоцелевой оптимизации В этой статье мы подробнее обсудим, как использовать несколько мощных..

Многомерные гауссианы Байесовская оптимизация — относительно простая для понимания концепция. Однако, копаясь в этом, я изо всех сил пытался найти статьи, в которых был бы хороший баланс между слишком большим количеством деталей и слишком маленьким. Эта серия статей направлена ​​на то, чтобы найти этот баланс. Сериал разбит на три части: 1. Многомерные гауссианы (эта статья) 2. Регрессия гауссовского процесса 3. Байесовская оптимизация с использованием регрессии гауссовского..

Предварительная обработка данных и точная настройка — одни из наиболее важных методов, которые могут значительно повысить производительность вашей модели. Давайте проведем небольшой эксперимент, чтобы понять влияние этих методов. Предварительная обработка данных — это процесс, в котором мы обновляем необработанные данные, чтобы сделать их подходящими для нашей модели машинного обучения. Тонкая настройка — это метод выбора наилучшего набора гиперпараметров для данной модели. Для..

Принятие решений на основе данных с помощью Python Это первая статья из серии о деревьях решений. В этом посте я представлю деревья решений и опишу, как их растить с помощью данных. Пост завершается примером кода Python, показывающим, как создать и использовать дерево решений для составления медицинских прогнозов. Ключевые моменты: Деревья решений — это широко используемый и интуитивно понятный метод машинного обучения, используемый для решения задач прогнозирования. Мы можем..

Понимание проблемы компромисса Во многих реальных сценариях мы сталкиваемся с ситуациями, когда улучшение одного аспекта происходит за счет другого. Например, рассмотрим производительность модели машинного обучения по отношению к ее сложности. По мере увеличения сложности модели ее точность на обучающих данных может повыситься. Тем не менее, в какой-то момент модель начнет переобучать, что приведет к снижению производительности на тестовых/проверочных данных. Проблема компромисса..