В рейтинге участвует:

групп:

каналов:

Виртуальный сервер на SSD - недорого!

Аренда выделенных и виртуальных серверов (VDS/VPS), хостинг, аренда IP-адресов, администрирование, круглосуточная поддержка

qwarta.ru подробнее

Резервное копирование с проверкой на вирусы!!!

Удобный сервис создания резервных копий на любой сервер сети интернет. Отслеживайте изменения, проверяйте на вирусы. Надежно защитите свой бизнес!

go.backupland.com

Выбираете сервер? Любая конфигурация на заказ!

Аренда физических серверов любых конфигураций под любые запросы - 1С бухгалтерия, игровые сервера, нагруженные проекты, интернет-магазины!

qwarta.ru подробнее

Size: a a a

catboost_ru

553 membersпожаловаться на группу
2019 May 12

Д

Дмитрий in catboost_ru
Всем привет.
Кстати, может кто сказать, можем ли мы менять сами важность признаков в методе?

И тоже самое про порог принятия признака. По умолчанию он 0,5. То есть поставить 0,7, например, чтобы в задаче бинарной классификации 0,5 было отнесено к 0, а не к 1. (threshold)
Спасибо!
источник
20:35пожаловаться#1

Д

Дмитрий in catboost_ru
источник
20:36пожаловаться#2

Bo

Blen obema in catboost_ru
Можно точно получить сырые вероятности, а дальше уже самому доделать порог через условие. Ну это как вариант. Возможно изменение порога предусмотрено и в самом классификаторе. Нужно смотреть документацию
источник
20:57пожаловаться#3

Bo

Blen obema in catboost_ru
Всем привет.
Кстати, может кто сказать, можем ли мы менять сами важность признаков в методе?

И тоже самое про порог принятия признака. По умолчанию он 0,5. То есть поставить 0,7, например, чтобы в задаче бинарной классификации 0,5 было отнесено к 0, а не к 1. (threshold)
Спасибо!
источник
20:57пожаловаться#4

Д

Дмитрий in catboost_ru
Понял, посмотрю! Спасибо
источник
21:31пожаловаться#5

Д

Дмитрий in catboost_ru
Можно точно получить сырые вероятности, а дальше уже самому доделать порог через условие. Ну это как вариант. Возможно изменение порога предусмотрено и в самом классификаторе. Нужно смотреть документацию
источник
21:31пожаловаться#6

Д

Дмитрий in catboost_ru
Может кто уже сталкивался просто
источник
21:31пожаловаться#7

S

Sunsh1ne in catboost_ru
Всем привет.
Подскажите, пожалуйста, можно ли у уже обученной модели (бинарная классификация) узнать самый вероятный категориальный фактор, если все остальные факторы известны. То есть по сути известно все факторы и даже к какому классу относится пример, но не известен один из факторов.
спасибо
источник
22:23пожаловаться#8

A

Aleksei in catboost_ru
Sunsh1ne
Всем привет.
Подскажите, пожалуйста, можно ли у уже обученной модели (бинарная классификация) узнать самый вероятный категориальный фактор, если все остальные факторы известны. То есть по сути известно все факторы и даже к какому классу относится пример, но не известен один из факторов.
спасибо
Прогони все возможные значения категории и выбери то, у которой предикт ближе всего к таргету, например
источник
22:24пожаловаться#9

S

Sunsh1ne in catboost_ru
Aleksei
Прогони все возможные значения категории и выбери то, у которой предикт ближе всего к таргету, например
Как вариант, но но этот признак может быть содержать сотни тысяч вариантов, поэтому как-то неоптимальненько
источник
22:26пожаловаться#10

A

Aleksei in catboost_ru
Категориальный признак с сотней тысяч вариантов уже звучит неоптимальненько
источник
22:27пожаловаться#11

A

Aleksei in catboost_ru
Btw я золотой пули тут не знаю, мб кто ещё поможет)
источник
22:28пожаловаться#12

Bo

Blen obema in catboost_ru
Sunsh1ne
Всем привет.
Подскажите, пожалуйста, можно ли у уже обученной модели (бинарная классификация) узнать самый вероятный категориальный фактор, если все остальные факторы известны. То есть по сути известно все факторы и даже к какому классу относится пример, но не известен один из факторов.
спасибо
Это из категории заполнение пропусков в данных. Это прогнозирование самого вероятного значения. Так можно делать. Вроде через KNN делается. Но думаю, что через любое другое можно просто построить модель и заполнить такие пропуски.
источник
22:29пожаловаться#13

S

Sunsh1ne in catboost_ru
Aleksei
Категориальный признак с сотней тысяч вариантов уже звучит неоптимальненько
да, согласен, я преувеличиваю, но не исключаю такого кол-ва, лучше перебдеть)
источник
22:29пожаловаться#14

S

Sunsh1ne in catboost_ru
Blen obema
Это из категории заполнение пропусков в данных. Это прогнозирование самого вероятного значения. Так можно делать. Вроде через KNN делается. Но думаю, что через любое другое можно просто построить модель и заполнить такие пропуски.
то есть построить другую модель (мультиклассовую) которая будет предсказывать нужный мне признак?
источник
22:32пожаловаться#15

Bo

Blen obema in catboost_ru
Sunsh1ne
то есть построить другую модель (мультиклассовую) которая будет предсказывать нужный мне признак?
да)
источник
22:37пожаловаться#16

Bo

Blen obema in catboost_ru
Можешь поискать где-то темы по заполнению пропусков (imputation of missing values) в литературе. Там найдёшь хорошие способы
источник
22:38пожаловаться#17

Bo

Blen obema in catboost_ru
ещё как вариант, можно разделить твой датасет на несколько классов в ручную, для которых ты предполагаешь схожесть значения этого признака. Ну, например, если у тебя неизвестный доход, но есть возраст, то можешь сделать 5 категорий: ребенок, подросток, молодой, в возрасте, пенсионер и для категорий высчитать средний возраст. И позаполнять им неизвестные значения в соответствии с категорией.
источник
22:40пожаловаться#18

S

Sunsh1ne in catboost_ru
спасибо за советы)
источник
22:48пожаловаться#19

A

Aнтон in catboost_ru
Sunsh1ne
Всем привет.
Подскажите, пожалуйста, можно ли у уже обученной модели (бинарная классификация) узнать самый вероятный категориальный фактор, если все остальные факторы известны. То есть по сути известно все факторы и даже к какому классу относится пример, но не известен один из факторов.
спасибо
А что означает - "самый вероятный категориальный фактор"?
источник
22:50пожаловаться#20