MK
Size: a a a
2019 February 08
SZ
тогда еще дурацкий вопрос
SZ
а чем это тогда отличается от
use_best_model?MK
use_best_model используешь совместно с early_stopping_rounds для выбора модели по результату на отложенной выборке, при кросс-валидации его тоже можно использовать чтобы остановить обучении заранее
SZ
use_best_model используешь совместно с early_stopping_rounds для выбора модели по результату на отложенной выборке, при кросс-валидации его тоже можно использовать чтобы остановить обучении заранее
Поняла
RR
Можно ли получить все параметры лучшей модели, построенной по cv, и обучить ещё раз модель с нуля с ними на всей тренировочной выборке? Будет ли это законным способом получить лучшую модель и не обмануть самого себя?
A
Можно
A
Более того, самые хитрые еще и увеличивают число итераций пропорционально приросту числа наблюдений
MK
можно, лучше на отложенной выборке еще раз убедиться что все ok, если данных не жалко
RR
Более того, самые хитрые еще и увеличивают число итераций пропорционально приросту числа наблюдений
Под итерациями подразумевается НЕ количество деревьев, верно?
MK
итерации это и есть количество деревьев
A
Я в общем случае пишу
A
Не только для бустинга
RR
Более того, самые хитрые еще и увеличивают число итераций пропорционально приросту числа наблюдений
Не очень понимаю, зачем это делать, если количество итераций мы в том числе подбирали кросс-валидацией. Так ведь можно все параметры подбирать заново, и тогда кросс-валидация вообще не нужна
A
Имеется ввиду, что меньше риск переобучения за счет добавочных данных
MK
наоборот за счет увеличения итераций будет переобучение
MK
это на кагле что-то придумали ради сотых на лидерборде думаю в большинстве случаев ничего увеличивать не надо
A
Иногда это работает
RR
короче, стоит всё-таки ждать внедрения фичи, позволяющей взять лучшую модель по итогам cv
2019 February 09
MK
get_feature_importance питоновский не считает feature importance даже если в data передать pool, все время моментально выводит один и тот же результат - это баг?