Иван Журавлев, Дмитрий Крылов Построение интерпретируемых ML-моделей в задачах геоаналитики

Ближайшая конференция I’ML: #imlconf #ml #mlops #IT #conference #jugrugroup В Bestplace, решая задачи машинного обучения в геоаналитике, мы регулярно сталкиваемся с проблемой обучения ML-моделей на небольших выборках (от десятков точек до десятков тысяч точек) при высоких требованиях к интерпретируемости модели. Стандартные подходы к интерпретации градиентных бустингов не устраивают бизнес-заказчиков, а линейные модели не удовлетворяют по качеству. Мы реализовали свой алгоритм машинного обучения «Физмодель». Его особенности: * хорошо подходит для обучения на небольших выборках; * прозрачно интерпретируется; * позволяет внести априорное «знание об окружающем мире» в итоговую модель; * на наших кейсах его работа сравнима по метрикам с XGBoost / CatBoost. Расскажем, как пришли к такой модели, обсудим детали ее реализации и приведем примеры со сравнением XGBoost / CatBoost на реальных геоаналитических задачах. Скачать презентацию с сайта —