Data Science | Тесты

🤔 В каких случаях логистическая регрессия на задачах классификации будет работать лучше, чем случайный лес?

Логистическая регрессия может работать лучше, чем случайный лес, когда данные линейно разделимы или когда модель должна быть интерпретируемой. Логистическая регрессия проще и менее склонна к переобучению, особенно на небольших и чистых наборах данных. Случайный лес может давать более сложные предсказания, но при этом быть менее интерпретируемым. В задачах, где важна простота и скорость работы модели, логистическая регрессия может быть предпочтительнее.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚Базу Знаний

Please open Telegram to view this post

VIEW IN TELEGRAM

294 views16:01

Data Science | Тесты

🤔 Какой метод используется для уменьшения размерности данных путем разложения матриц на неотрицательные множители?

Anonymous Quiz

💊14

96 voters279 views20:01

Data Science | Тесты

🤔 Какой метод часто применяют для оценки моделей регрессии?

Anonymous Quiz

Логистическая регрессия

💊2

100 voters264 views09:02

Data Science | Тесты

🤔 Почему считается, что случайный лес не переобучается?

Считается, что случайный лес не склонен к переобучению, потому что он усредняет предсказания большого количества деревьев решений, каждое из которых обучается на случайной подвыборке данных и случайных признаках. Этот процесс помогает уменьшить влияние отдельных переобученных деревьев на финальное предсказание. В результате модель становится более устойчивой к ошибкам и шуму в данных. Кроме того, случайный лес не сильно зависит от малозначимых признаков, так как случайные выборки уменьшают их влияние.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚Базу Знаний

Please open Telegram to view this post

VIEW IN TELEGRAM

👍1

298 views16:01

Data Science | Тесты

🤔 Какой метод оценивает важность признаков в модели?

Anonymous Quiz

100 voters272 views20:01

Data Science | Тесты

🤔 Какой алгоритм часто используют для сокращения размерности данных?

Anonymous Quiz

93%

PCA (Principal Component Analysis)

Linear Regression

K-Nearest Neighbors

Decision Trees

75 voters234 views09:02

Data Science | Тесты

🤔 Виды метрик машинного обучения.

1. Для классификации:
- Accuracy: доля верных предсказаний.
- Precision: точность предсказаний класса.
- Recall: полнота предсказаний класса.
- F1-score: сбалансированная метрика точности и полноты.
- ROC-AUC: качество модели при разных порогах.
2. Для регрессии:
- MSE: среднеквадратичная ошибка.
- MAE: средняя абсолютная ошибка.
- R²: объясненная доля дисперсии.
3. Для кластеризации:
- Silhouette Score: качество разделения кластеров.
- Dunn Index: компактность и разделенность кластеров.

Ставь 👍 если знал ответ, 🔥 если нет
Забирай 📚Базу Знаний

Please open Telegram to view this post

VIEW IN TELEGRAM

👍2

185 views16:01

Data Science | Тесты

🤔 Какой метод машинного обучения используется для анализа временных рядов?

Anonymous Quiz