всем привет. а из CV можно как-то вернуть обученные модели?

Нет, только метрики

На конференции не успели ответить на вопрос: может ли CatBoost работать с временными рядами?

Можно ли использовать кат буст для кластеризации?

мне казалось, что если запустить мултикласс-классификаицю при этом для каждой записи сделать отдельный класс -как целевую, то полученные деревья можно ли рассматривать как иерархическую кластеризацию

Что за доклад?

на YaTalks

Коллеги, кто-нибудь может объяснить: как второе дерево в ансамбле деревьев градиентного бустинга изменяет значения первого для получения общего ответа модели? Складывает/усредняет или как-то ещё? Допустим у нас задача бинарной классификации, где нужно найти вероятность принадлежности объекта к классу 1. Допустим модель градиентного бустинга имеет только 2 дерева. В первом дереве объект прошёл по всему дереву, пришёл, допустим, в лист №1 и получил значение вероятности 0.7, во втором дереве, допустим, этот объект попал в лист №3 и получил значение 0.1. Что дальше с этими значениями делается для получения общего ответа модели по этому объект: 0.7 и 0.1 складываются или например берётся среднее арифметическое?
Сорри, если это какая-то очевидность для всех, но я лично как начинающий Data Scientist хотел бы до конца в этом вопросе разобраться. Спасибо заранее.

В листьях деревьев записаны значения которые нужно суммировать, но это еще не вероятность. Чтоб получить вероятность (в режим бинкласса), к сумме значений листьев применяется сигмоида.

А значения в листьях могут быть любого знака или только положительные? И какие значения этой итоговой суммы соответствуют значению 0 и 1 сигмоиды? Допустим для одного объекта сумма значений листьев всех деревьев получиалсь 100, для другого 20, а для третьего 150. Будет ли значению суммы 150 соответствовать значение сигмоиды 1, а значению суммы 20 - значение сигмоиды 0 или как это определяется? Может быть есть какой-то доступный источник, где-то какими-то относительно простыми словами описан весь этот механизм работы алгоритма? (чтобы кучу вопросов тут не задавать)?

Или центр сигмоиды - всегда соответствует нулевой сумме значений листьев, а значения соответствующие 0 и 1 - это минимальное (отрицательное) и максимальное (положительное) значение суммы листьев среди всех объектов обучающей выборки?

Спасибо.

А можно теоретический вопрос. Если к сумме значений листьев применяется сигмоида, то по сути предсказаниям бустинга дальнейшая калибровка не нужна? (В отличии от того же случайного леса)

если кратко, то все равно нужно, а если подробно, вечером кину статьи, кстати, обрати внимание на калибровку сплайнами

Коллеги, CatBoostClassifier(...).fit() на виртуальной машинке падает в jupyter на большом дата-сете (более 1 млн строк);
Сталкивался ли кто-либо с подобным и может ли подсказать, в какую сторону копать? Аппаратные ресурсы виртуальной машины, параметры самой модели, ещё какие-либо подводные камни?

Большие дата сеты кидай на GPU

jupyter зло