O
абстрактно это звучит страшно
Size: a a a
2020 June 24
O
)
y
Но вообще я хз как ооп можно без книжек постичь, да.)
A
а потом узнать что ооп зло
K
люди хотят потыкать мышкой в интернете и устроиться на 1 млн в год
Говорите так, как будто это много)
y
Смотря миллион чего.)
VZ
Зажрались, сэр
y
Может, миллион редких галапагосских черепах.
O
опять про деньги
A
действительно, тут чат практикующих пиэйчди
2020 June 25
SS
обучение в офисе в москве
ФР
yithian
Но вообще я хз как ооп можно без книжек постичь, да.)
Можно еще пить с друзьями, понимающими в программировании
ФР
И они расскажут про инкапсуляцию и полиморфизм
I
Большие значения уменьшают переобучение, настраивают вместе с random_strength, bagging_temperature, depth, border_count, grow_policy и bootstrap_type (это наиболее важные гиперпараметры). Чем левее расположена точка переобучения на графике и больше гэп между кривыми, тем выше вероятность, что выбор большего значения l2_leaf_reg может уменьшить переобучение. Обычно берут значения от 2 до 30, но бывало, и значения больше срабатывали.
Спасибо. Параметр равный 3000 уменьшил переобучение, но и ухудшил итоговый скор. Вообще любая борьба с переобучением ухудшает качество модели. Из перечисленного вами все перепробовал кроме bordercount
I
Ilyas
Спасибо. Параметр равный 3000 уменьшил переобучение, но и ухудшил итоговый скор. Вообще любая борьба с переобучением ухудшает качество модели. Из перечисленного вами все перепробовал кроме bordercount
так вроде при борьбе с переобучением скор и должен уменьшиться, хотите его при этом увеличить: выявите и уберите мультиколинеарность у фич, если она есть конечно. Это те фичи корреляция между которыми больше 87 процентов.
K
Ibp
так вроде при борьбе с переобучением скор и должен уменьшиться, хотите его при этом увеличить: выявите и уберите мультиколинеарность у фич, если она есть конечно. Это те фичи корреляция между которыми больше 87 процентов.
Откуда такое точное значение?
I
Откуда такое точное значение?
интересовался:), нашел гдето в трудах в интернете, но это конечно примерно:)
RM
Благодарю!
AO
Благодарю!
c возвращением) давно не видели