SK
@kizill так вроде на итоговую модель процесс обучения никак не должен влять. разница лишь только в том, как делать сплиты.
смотри, допустим у тебя
train = '1\ta' test = '0\tb\n1\t\a'Size: a a a
2018 October 01
SK
использовать полное или неполное количество уникальных значений катфичи не является утечкой таргета из теста и не должно приводить к переобучению. но в модели при skiptest в табличке ctr будет только 'a':1, а при full будет 'a':2,'b';1
SK
поэтому результат применения модели будет разный.
SK
мы anyway это изменим, чтоб людей не смущать :)
DT
Результат модели разный. Я к тому что если взять уже обчуненную модель(не важно каким образом), то результаты должны сопадать(эти две модели конечно будут слегка отличаться).
SK
это да
SK
это было про подсчет метрик на лерне
DT
по факту skiptest явно нужно указывать только в случае каких-то временных зависимостей в данных.
AD
значение метрики для определенного числа деревьев отличается от метрики, посчитанной на валидационном сете при том же числе деревьев.
На валидационном такого не должно быть. На трейне это нормально, если катфичи есть, тк там счетчики считаются по перестановке. Ты уверен, что у тебя именно на валидации метрики отличались? Если да, то сделай issue и расшарь код, посмотрим, что там случилось.
SK
я посмотрел на код, там у @Sergeif_239 была ошибка
SF
Да, я перетестирую
2018 October 02
В
Привет, я получил важность признаков модели, но их количество меньше числа признаков в трейне, с чем это связано?
VB
так и хочется поштутить что это неважно
В
Это может быть связано с тем, что в некоторых признаках 70% нанов?)
JS
))
В
так и хочется поштутить что это неважно
🥄(это почти нож)
AD
Привет, я получил важность признаков модели, но их количество меньше числа признаков в трейне, с чем это связано?
Это значит, что часть признаков не была использована в модели
AD
те, которых нет в fstr-ах
В
те, которых нет в fstr-ах
Спасибо, буду знать)
В
@annaveronika cat_features не поддерживают nan?