AM
зависит от задачи и метрик, которая нужна
oneVsAll это обычный one-vs-all, где обучаются бинарные классификаторы один против всех, но в катбусте будет одинаковая структура дерева, отличаться будут листья
MultiClass обучает logloss с softmax’ом для определения вероятностей
logloss у multiclass будет лучше, потому что он его и оптимизирует
а вот другие метрики не факт
oneVsAll это обычный one-vs-all, где обучаются бинарные классификаторы один против всех, но в катбусте будет одинаковая структура дерева, отличаться будут листья
MultiClass обучает logloss с softmax’ом для определения вероятностей
logloss у multiclass будет лучше, потому что он его и оптимизирует
а вот другие метрики не факт
Всем привет! Может кто-нибудь пояснить, какие оптимальные значения у функций потерь MultiClass и MultiClassOneVsAll (максимизируются или минимизируются они для получения лучшего качества модели в процессе обучения) и как они могут коррелировать с метриками TotalF1 и Accuracy при решении задачи многоклассовой классификации, в которой требуется предсказать метку класса? Пробовал обучать модель и с MultiClass и с MultiClassOneVsAll, потом проверял зависимости этих функций потерь и TotalF1 от количества итераций: у MultiClass и MultiClassOneVsAll минимумы в самом начале (меньше 300 итераций), затем они начинают монотонно расти, у TotalF1 - максимумы тоже в начале, но позже, чем минимумы у MultiClass и MultiClassOneVsAll, примерно в районе 400 итераций, затем в обоих случаях значения метрик TotalF1 асимптотически убывают и вскоре практически никак не меняются. Из описания на сайте https://catboost.ai/docs/concepts/loss-functions-multiclassification.html не совсем понял как считаются MultiClass и MultiClassOneVsAll, т.к. нет пояснений что есть что в формулах. Я сразу скажу, что у меня пока не очень большой опыт в решении задач многоклассовой классификации, так что сорри, если что-то очевидное спрашиваю. Заранее спасибо!
