П
Норм
Size: a a a
2020 March 02
П
У меня 93.5 было, максимум 96
А я не попал на регистрацию, ибо был озабочен сменой работы...
Ты использовал sgp4/sdp4?
Ты использовал sgp4/sdp4?
ИБ
Я руками оптимизатор написал
ИБ
Там же синусоида везде со всякими искривлениями
ИБ
Топ решения это линейная регрессия
П
Я руками оптимизатор написал
https://github.com/shkolnick-kun/texts/blob/master/story5/kalman_tle_estimator.ipynb А вот мои потуги, не законченные, и не на тех данных...
ИБ
Да ты бы там дал жару, если бы участвовал
П
Да ты бы там дал жару, если бы участвовал
Оно не доделано, фильтр Калмана иногда такие значения bstar выдает, что спутники падает/улетает в космос.
П
Да ты бы там дал жару, если бы участвовал
Попробую за выходные в другую систему параметров перейти и учесть ограничения по bstar
ИБ
Не думаю что там что то можно интересное найти, но вот мой код
JS
Alexey Tikhonov
Нет, это не важно, значит что-то падает у тебя на новых данных
Но этот же контейнер на локальном докере отрабатывает ок, что там может быть, память?
AT
Да просто что-то к чему ты не готов, 0, не те разделители, новые числа и прочее
GE
JS
Аааа, точно-точно, не подумал об этом
RY
Ω, [02.03.20 12:06]
Добрый день. При бинарной классификации не сбалансированных данных у меня f1 практически 90% на тестовых данных. Затем беру валидационные данные(алгоритм векторизации тот же самый что и с обучающей и тестовой выборкой) и провожу классификацию. При этом f1=0, данные были классифицированы с обратными значениями(0й класс определился как 1й и 1й класс как 0й). Валидационные данные после векторизации проверил - 1му классу соот-т именно 1, с 0ым так же все ок. Попробовал поменять метки классов перед классификацией(0 на 1, 1 на 0) - f1 на уровне 99%. Что я сделал не так?
Добрый день. При бинарной классификации не сбалансированных данных у меня f1 практически 90% на тестовых данных. Затем беру валидационные данные(алгоритм векторизации тот же самый что и с обучающей и тестовой выборкой) и провожу классификацию. При этом f1=0, данные были классифицированы с обратными значениями(0й класс определился как 1й и 1й класс как 0й). Валидационные данные после векторизации проверил - 1му классу соот-т именно 1, с 0ым так же все ок. Попробовал поменять метки классов перед классификацией(0 на 1, 1 на 0) - f1 на уровне 99%. Что я сделал не так?
A
Ω, [02.03.20 12:06]
Добрый день. При бинарной классификации не сбалансированных данных у меня f1 практически 90% на тестовых данных. Затем беру валидационные данные(алгоритм векторизации тот же самый что и с обучающей и тестовой выборкой) и провожу классификацию. При этом f1=0, данные были классифицированы с обратными значениями(0й класс определился как 1й и 1й класс как 0й). Валидационные данные после векторизации проверил - 1му классу соот-т именно 1, с 0ым так же все ок. Попробовал поменять метки классов перед классификацией(0 на 1, 1 на 0) - f1 на уровне 99%. Что я сделал не так?
Добрый день. При бинарной классификации не сбалансированных данных у меня f1 практически 90% на тестовых данных. Затем беру валидационные данные(алгоритм векторизации тот же самый что и с обучающей и тестовой выборкой) и провожу классификацию. При этом f1=0, данные были классифицированы с обратными значениями(0й класс определился как 1й и 1й класс как 0й). Валидационные данные после векторизации проверил - 1му классу соот-т именно 1, с 0ым так же все ок. Попробовал поменять метки классов перед классификацией(0 на 1, 1 на 0) - f1 на уровне 99%. Что я сделал не так?
Выглядит, как будто ответ в вопросе
RY
Выглядит, как будто ответ в вопросе
На обучающих и тестовых данных все норм. А почему здесь так происходит?
A
Самое очевидное - в данных перепутаны метки