Threshold всегда выдаётся для prob1

Спасибо

Мы ищем в отдел компьютерного зрения и ML-приложений (CatBoost как раз мы делаем в этой команде) менеджера:
https://yandex.ru/jobs/vacancies/proj_man/pm_ml_tools/.
Мы ищем человека, который:
- Любит и знает ML
- Хочет и умеет общаться с людьми, выступать, писать посты, ездить на конференции по машинном обучению.
Основными задачами менеджера являются:
- Продвижение наших мл инструментов в мире.
- Построение стратегии развития мл инструментов.
- Развитие платформы рекомендаций Яндекса, а также все остальных библиотек машинного обучения, которые у нас используются.
Для успешной работы будет необходимо понимать, как работают все наши инструменты, а также кто и как их использует.
Москва, 150-300к gross
Отзывайтесь на вакансию, мы вас ждем!

Привет! Вопрос про компиляцию evaluation library под Android, конкретно arm64-v8a. Нужна классификация (не мульти), нужны категориальные фичи.

Изучил https://catboost.ai/docs/concepts/c-plus-plus-api_dynamic-c-pluplus-wrapper.html и https://github.com/catboost/catboost/tree/master/make. Откопал https://github.com/catboost/catboost/issues/408, https://github.com/catboost/catboost/issues/582 и тред на хабре (аттач).

Есть ли какие-нибудь апдейты по этому поводу? Куда лучше смотреть в первую очередь, если необходим инференс под андроидом - в сторону ONNX? или пытаться переписать ваш, например, model_interface_static.CLANG7-LINUX-X86_64.makefile, под таргет ARM?

Спасибо :)

Добрый день, подскажите пожалуйста, есть ли способ принудительно задать диапазон предсказаний, от-до, и как это сделать?
Детектор переобучения не срабатывает, а predict выдаёт значения, например, <0, которых принципиально нет в данных.

в режиме кросс-компиляции должно работать, я попробую и напишу

Спасибо!!

catboost - несмещенный?

Подскажите пожалуйста, когда загрузил Модель и новую выборку, то как посмотреть precision и logloss?

Можно воспользоваться методом eval_metrics модели https://catboost.ai/docs/concepts/python-reference_catboost_eval-metrics.html

Сделал. И снова вопрос

Имею class1/class0 57/43
Модель получила precision 0.623 Это плохо получается?
Я делал параметр модели stratified=True для несбалансированных классов.
Precision 0.625 нужно сравнивать с 50% или 57%? Чтобы понять насколько моя модель лучше рандома?
Могу ли использовать фильтры prob1>x% или prob0>x%, чтобы отсечь предсказания с низкой вероятностью отнесения к классу, и оставить только высокие вероятности. Или так будет некорректно делать?

Это очень плохо

Так можно

Спасибо

Так мою Модель надо сравнивать с 50% или с 57% если я сделал стратификацию классов ?

Если все объекты относить к классу 1, то precision получится 57%

Понял, значит ориентир 57%

Да по идее смещённый, как и любой другой деревянный алгоритм

но catboost же имеет склонность к переобучению, (почти) неограниченный запас коэффициентов (деревьев) чтобы подстроиться под данные, значит bias небольшой. я экпериментировал - ансамбль из пары десятков cb, обученных на подвыборах по условиям (типа some_feature == и != some_top_feature_vaue) с усреднением (точнее - median) ответов - прирост качества есть.

А, я думал, в данном вопросе вы под смещением не классическое смещение имели в виду, а завышенность/заниженность вероятностей для классификатора и связанную с этим проблему калибровки