говорят, что просто applied statistics 😂

Тогда applied stats круче чем весь этот ML) по такой логике ML это подраздел AS😁

а) featured importance plot по умолчанию не показывает признаки с нулевым значением по критерию (по умолчанию количество в split, а не sum of gain), есть параметр ignore_zero (bool, optional (default=True)) который это отменяет, плюс есть ограничение количества признаков, тоже по умолчанию стоит б) про картинку дерева не знаю, но может быть это наилучшее дерево для достаточного качества разбиения, или он обрезает дерево, или критерий остановки был. Ну и да, бустить на 100 наблюдениях — это (может быть) слишком сложное решение, но зависит от задачи и нужного качества
Дополнительно, можно ещё установить eli5, там из коробки строит красивую табличку вместо диаграммы, или shap, там мне понравился js дешборд по вкладу каждого признака в прогноз по наблюдениям и разные агрегации

Upd: б) а если изучить сами объекты деревьев, вдруг строит ошибочно

ML и прикладная статистика очень четко разделяются по целевому назначению: цель статистики объяснить взаимосвязь между переменными, цель машобчика - получить наиболее точную предсказывающую модель. Соответственно, ML не может быть подразделом AS, но может включать некоторые результаты AS.

Спасибо. Да вытащить объекты хорошая идея

Улыбнуло) вы правы, скорее тогда DS подраздел AS, а DS в свою очередь использует модели из ML. Меня больше интересует нюанс с lightgbm

https://habr.com/ru/company/skillfactory/blog/503510/
Сегодня в одс наткнулся, к месту вчерашнего разговора про вкатывание

все правильно пишет)

А в хорошие места, где дс прям ресерч, очередь из phd-шников

Ну типа все будет готово к дс, но тогда разумнее туда взять опытного ресерчера, либо будь добр быть на несколько ролей

Еще мне кажется опытный дс со временем скорее углубляется в инженерные или бизнесовые вещи, чем в какие-то там модели. То есть со временем твоя работа все равно будет ближе к работе разраба/продукта

А раз итог один, то зачем учить больше)

Конечно будет здорово иметь бэкграунд дата саентиста в прошлом. Но кажется это здорово, только потому что предпологает понимание базовой математики и статистики.

Надеюсь не слишком пессимистично выглядит)

Дс - по прежнему отличный вариант для математика/cs-ника/экономиста, просто нужно все риски понимать)

Да ладно, sql, power bi и в аналитики, можно норм бабки зашибать

Ну просто у меня в голове как-то четко дата саентист и дата аналитик разделяются и я забываю про это направление)

мб я зря так

Ну прост будто бы там совсем другой скилсет