Какой из перечисленных ниже сценариев наиболее явно указывает на то, что ваша модель машинного обучения страдает от сильного переобучения (overfitting)?
Anonymous Quiz
1%
Высокая точность (95%) на обучающей выборке и высокая точность (93%) на тестовой выборке.
1%
Низкая точность (60%) на обучающей выборке и низкая точность (58%) на тестовой выборке.
95%
Высокая точность (98%) на обучающей выборке и низкая точность (65%) на тестовой выборке.
3%
Низкая точность (65%) на обучающей выборке и высокая точность (98%) на тестовой выборке.
👍3
Почему вас валят на собесах по ML?
Чаще всего не из-за незнания
Мы перезапустили курс с живыми вебинарами, чтобы закрыть эти пробелы. Глубокое погружение в линейную алгебру.
Ближайшие темы (Hard Skills):
— Матрицы: ранг, обратимость, линейные преобразования и решение СЛАУ.
— Линейная регрессия: реализация МНК с нуля в
— SVD и Eigenvalues: смысл собственных векторов, снижение размерности и построение рек. систем.
Вы научитесь не просто «тюнить параметры», а понимать физический смысл операций.
Вход в поток до 9 декабря.
https://clc.to/LojFzw
Чаще всего не из-за незнания
fit/predict , а из-за непонимания математики, которая стоит за этими методами.Мы перезапустили курс с живыми вебинарами, чтобы закрыть эти пробелы. Глубокое погружение в линейную алгебру.
Ближайшие темы (Hard Skills):
— Матрицы: ранг, обратимость, линейные преобразования и решение СЛАУ.
— Линейная регрессия: реализация МНК с нуля в
NumPy vs scikit-learn , интерпретация коэффициентов.— SVD и Eigenvalues: смысл собственных векторов, снижение размерности и построение рек. систем.
Вы научитесь не просто «тюнить параметры», а понимать физический смысл операций.
Вход в поток до 9 декабря.
https://clc.to/LojFzw
Вы обучаете модель Логистической регрессии, и она показывает низкую точность как на обучающей, так и на тестовой выборках. Вы решаете добавить L2. Какого результата следует ожидать?
Anonymous Quiz
16%
Точность модели на обеих выборках увеличится, так как регуляризация борется с недообучением.
68%
Точность, скорее всего, уменьшится или останется прежней, т.к. модель уже страдает от смещения.
8%
Разрыв между точностью на обучающей и тестовой выборках увеличится, указывая на переобучение.
8%
Модель начнет использовать только самые важные признаки (Feature Selection), что не связано с L2.