SK
Идентификаторы групп используются при подсчете функций ошибки и производных для ранжирующих таргетов (https://catboost.ai/docs/concepts/loss-functions-ranking.html)
Size: a a a
2020 February 20
2020 February 21
AG
Всем привет! Одна и та же моделька под Mac os отрабатывает за 0.7мс, а в docker'е >10мс. Catboost ставится через pip install. Куда смотреть? Есть смысл собрать из исходников с оптимизациями? Заводить ли баг на кривую сборку в pypi?
AG
Короче проблема похоже в какой-то синхронизации в потоках.
AG
Копаю дальше...
SK
Привет
SK
Обязательно посмотрим
SK
На ирисе и 1с это много
AD
На ирисе всегда в один поток должно считаться все, видимо пытаемся распараллелить, поэтому замедление. Ирис такой маленький, что на нем в 1 поток быстрее. Посмотрим, отпишемся в issue
PB
Всем привет! Практический вопрос от начинающего возможно глупый - пре интро : тюнил гипер параметры catboosta на тестовой выборке (сабмишн) дошел до своего лучшего результата изменения гиперпараметров ни в в какую сторону не давали прироста, потом резко увеличил количество фичей в 3 раза результат еще немного улучшился. Теперь вопрос поможет ли увеличение числа деревьев или глубина или др параметров, при увеличении числа признаков? ПыСЫ вопрос задаю так как расчеты длительные для экспериментов может кто сталкивался
ИБ
> на тестовой выборке (сабмишн)
тюнить лучше не на тестовой выборке а на кросс валидации. Есть встроенная cv.
> поможет ли увеличение числа деревьев или глубина
поменял признаки, параметры лучше искать заново, но вероятно близко к тем значениям которые получились ранее
тюнить лучше не на тестовой выборке а на кросс валидации. Есть встроенная cv.
> поможет ли увеличение числа деревьев или глубина
поменял признаки, параметры лучше искать заново, но вероятно близко к тем значениям которые получились ранее
PB
пасиб
B
Кто-то добивался успеха в Forecast с катбустом? Интересует обычная ARIMA
U
Здравствуйте. Можно ли сохранить обученную модель, загрузить ее и дообучить на одном новом примере?
AG
На ирисе всегда в один поток должно считаться все, видимо пытаемся распараллелить, поэтому замедление. Ирис такой маленький, что на нем в 1 поток быстрее. Посмотрим, отпишемся в issue
Продакшн задачка у нас помощнее чем iris, но симптомы такие же, на макбуке и ноуте с линуксом .5мс предикт, а на сервере - 10+ :).
AG
Ещё у меня есть фичереквест, посчитать на одних и тех же фичах пару десятков моделек, вероятно в потоках, но за один вызов catboost из питона. Вообще нам просто multi-label классификатор нужен, есть идеи как его без костылей получить?.. Сейчас ребята наварили модельку, которой в отдельной категориальной фиче передается для какого класса выдавать вероятность. То есть делается батч из N одинаковых записей, отличающихся только одной фичей.
2020 February 23
AG
На ирисе всегда в один поток должно считаться все, видимо пытаемся распараллелить, поэтому замедление. Ирис такой маленький, что на нем в 1 поток быстрее. Посмотрим, отпишемся в issue
под 0.18.1 работает нормально