Спасибо, поизучаю

А если запилить перебор фичей на меньшей кратно подвыборке получиться что то адекватное?

да должно, я отбирал где-то на 15%, но лучше больше

Круто

Народ, подскажите, в C3W4 (постнаука) возможно обновить работу? Или там нет права на ошибку?

да любую можно, просто если есть уже отзовы о работе они будут аннулированы

В предыдущих случаях так и было, а сейчас нет кнопки или ссылки "редактировать работу". И новую прицепить некуда

да, у меня тоже нет, но видимо, эта работа необязательна и не влияет на результат

Всем привет. Проверьте, пожалуйста.

C4W5 Отток
https://www.coursera.org/learn/data-analysis-project/peer/UDPo5/ekspierimienty-s-modiel-iu-proghnozirovaniia-ottoka/review/NepnX7PdEeqySRLX8vjPvw

C4W6 Отток
https://www.coursera.org/learn/data-analysis-project/peer/fMNng/otsienka-effiekta-ot-vniedrieniia-poluchiennogho-rieshieniia/review/3CfMX7S0Eeq2Ew6V61ICYw

C4W7 Отток
https://www.coursera.org/learn/data-analysis-project/peer/9G4mP/podghotovka-otchieta-o-proviediennom-issliedovanii/review/hZFFNLVREeqtwhKuvepP9w

Тут есть подводные камни, поскольку отбор ведётся по связи данного конкретного признака с откликом, ищет наиболее близкий к коллинеарности, грубо говоря. А ведь если учесть взаимодействия между признаками, получится, что наиболее важные векторы признаков могут быть направлены совсем в другую сторону, чем отклик, но по векторной сумме именно его и давать.. У меня просадка была по kbest,  помог сильно просто ручной перебор признаков по одному, feature_importances помог здесь, кстати

Немного офтопа

👍

А вообще, одбор признаков по одному весьма случайный процесс, как я понял, важность признаков часто кроется в их взаимно влиянии. Наверное, помочь может последовательное применение нескольких стратегий и выбор чего-то среднего. Но это, если признаков немного и времени достаточно.

а вы для чего делали: для регрессии или классификации? и какие у вас входные фичи были: числовые или категориальные и какие выходные данные предсказания: числовые или категориальные?

Я привёл пример по рядам в 6 курсе, регрессия. Там я по feature_importances заметил, что если использовать прогноз аримы, то часть моделей под него подстраиваться просто, сплитит только по нему. Я его убрал, качество улучшилось проц на 20%. Также было ещё снесколькими признаками. Также я заметил, что если комбинировать важные признаки, то их произведения также сильно улучшает качество, поэтому их добавил.

Фичи числовые.

ну фючеимпотанс и селекткбест там разные фичи выделяют

С категориальными я испытал боль в проекте по оттоку, поскольку бинарные в основном, потеряли свою важность для бустинга, но несколько бинарных все же влияли очень сильно. Сейчас хочу вернуться к соревнования и попробовать новые стратегии кодирования.

Kbest я пробовал, выбирал 50 важных, он немного просадил, поскольку не учитывал взаимосвязи. Но если я добавил бы взаимосвязи отдельно, возможно качество улучшилось бы. Но вот как быть с теми, которые в векторной сумме дают отклик? Их же удаляет, и произведения признаков не спасёт..