FF
какие тонкости ты имеешь ввиду?
Реализация на gpu, выравнивание классов, число фолдов и прочее. Уверен что программисты яндекса не зря едят свой хлеб, поэтому сэкономили наше время и сделали Хороший продукт почти без танцев с бубном
Size: a a a
2019 March 11
PC
А что разве можно сохранять модели из кросс-валидации ?
Catboost.cv не умеет, но вообще этого никто не запрещает. Посмотри в sklearn.
FF
Catboost.cv не умеет, но вообще этого никто не запрещает. Посмотри в sklearn.
Вопрос насколько это нужно? ведь модели будут примерно близки по качеству. Полпроцента точности погоду не сделают
PC
Вопрос насколько это нужно? ведь модели будут примерно близки по качеству. Полпроцента точности погоду не сделают
Здесь не мне решать.
AD
Catboost.cv не умеет, но вообще этого никто не запрещает. Посмотри в sklearn.
catboost.cv делает кросс-валидацию и не делает подбор параметров. Не нужно путать эту функцию с методами подбора параметров, в которых можно получить лучшую модель. Дело не в том, что функциональность подбора параметров в этой функции не поддержана или еще не поддержана, просто это другая функция.
PC
catboost.cv делает кросс-валидацию и не делает подбор параметров. Не нужно путать эту функцию с методами подбора параметров, в которых можно получить лучшую модель. Дело не в том, что функциональность подбора параметров в этой функции не поддержана или еще не поддержана, просто это другая функция.
Нет-нет. Насколько я понимаю там речь о том, какую реализацию весов, структуру деревьев, разбиейний, etc выбрать.
Конечно, было бы неплохо переимновать
Конечно, было бы неплохо переимновать
cv в cross_val_score для пущей совместимости с sklearn.AD
так ты не сможешь выбрать из функции кросс-валидации ни веса, ни параметры для структуры деревьев.
AD
имя cv - это для совместимости с xgboost
PC
имя cv - это для совместимости с xgboost
А, вот как. Неожиданно.
PC
Да, не cможешь. Думал, что речь идёт о cv вообще, а не в контексте catboost.
2019 March 12
A
Пользуясь случаем - я тут добавил поддержку catboost в https://github.com/statist-bhfz/grideR Модели при кросс-валидации не сохраняются, зато опционально сохраняются предикты на проверочных данных. Стекинг на этой основе тоже скоро будет готов
FF
catboost.cv делает кросс-валидацию и не делает подбор параметров. Не нужно путать эту функцию с методами подбора параметров, в которых можно получить лучшую модель. Дело не в том, что функциональность подбора параметров в этой функции не поддержана или еще не поддержана, просто это другая функция.
Вот я так и понял. Что мы просто строим несколько тестовых моделей в кроссвалидации и смотрим устойчивость метрики. Если все ок, то наша исходно-созданная Модель хорошая и можно ее использовать. Если метрика сильно изменчива на разных Фолдах, то Модель плохая, я верно вас понял?
Аa
Может ли использование модели от 0.11 с бинарником 0.12 приводить к падению производительности?
AD
2019 March 13
OO
Началось )))
SB
Началось )))
Ну нет 🙂
SZ
Ребята, а расскажите, как можно делать under/oversampling с использвоанием Catboost'a?
AD
Можно сделать предобработку датасета, можно веса использовать.
SB
В Slack чате Open Data Science у CatBoost появился свой канал #tool_catboost. Вступить в чат можно по ссылке, если еще нет, http://ods.ai
SZ
Можно сделать предобработку датасета, можно веса использовать.
Справляюсь более-менее весами, спасибо! А под предобработкой данных что именно имеется ввиду? Я пыталась сделать в связке с
imblearn, но начались проблемы с категориальными данными. Вот пытаюсь понять, есть ли что-то подобное из коробки