Какие есть алгоритмы регрессии с использованием manifold learning?

А откуда такой вопрос возник?

Manifold learning -- упрощённо это о том, как перейти описанию признаков в другой размерности

Регрессия -- как построить зависимость ответов от признаков

Оба подхода вполне совместимы.

Тот же PCA + регрессия на новые факторы по-моему вписывается

Всем привет, у меня тут вопрос, прошу помощи. У меня в задании (C2W2) про регуляризаторы Lasso и Ridge есть такая формулировка: "Ситается, что регуляризатор исключает признак, если коэффициент при нем < 1e-3"

Тогда получается, что все признаки с отрицательными коэффициентами считаются исключёнными, даже если по модулю они большие? Но почему? Ведь у меня может быть убывающая зависимость по признаку. Или здесь имеется в виду именно абсолютное значение коэффициента?

можно воспользоваться поиском

Имеется в виду абсолютное значение.

бро, ты рофлишь, размечать датасет это разве дс?

не рофлю. кажется, вы сами писали выше, что не работаете ни в дс, ни в DE, тогда откуда вам знать наверняка?)

никто не говорит, что размечать датасет надо вручную построчно, но, думаю, и такие случаи вообразимы.

а нормально, что predict_proba у decision_tree выдает только нули и единицы?

Прям целые числа?

ага

Попробуй во float64 конвертировать

у вас, вероятно, дерево строится максимальной глубины (в каждом листике - по одному наблюдению). Вот он и выдает 0/1 как вероятности

а, да,  min_samples_leaf стандартный как раз 1

спасибо!

поменял на 9 - тот же результат(

Попробуй еще ограничить глубину дерева

Если это всего одно дерево, то попробуй его просто отрисовать — сразу все понятнее должно стать

даже на 40 все еще встречаются чистые 1 и 0