Guest
ИИИ Спортивный анализ данных - 7 лекция - конспект от YandexGPT 00:12 Физическая регрессия и классификация • Обсуждение методов работы с выбросами и пропусками данных, включая физическую регрессию и классификацию. • Упоминание о создании таблицы с моделями и их применением для разных данных. 02:38 Дискретизация и кодирование категорий • Обсуждение процесса дискретизации вещественных чисел в категории для моделей, которые могут потерять информацию. • Примеры использования бинаризации и униформы для разбиения на категории. 09:00 Трансформация функций и кодирование слов • Обсуждение использования функции Pandas для преобразования функций в числовые представления. • Примеры работы с категориальными данными и их кодированием. 19:23 Мультибенойзер и кодирование категорий • Видео обсуждает использование мультибенойзера для решения задач классификации с несколькими классами. • Упоминается инструмент для кодирования категорий, который позволяет преобразовывать слова в цифры для обучения модели. 31:16 Разбиение на тренировочный и тестовый наборы • Объясняется важность разбиения данных на тренировочный и тестовый наборы для оценки качества модели. • Указывается на необходимость указания размера тренировочного набора и случайного разбиения на классы. 37:28 Регрессия и метрики • Обсуждается использование регрессии для решения задач с числовыми значениями. • Упоминаются метрики, такие как MSE, для оценки качества модели. 44:17 Дисбаланс классов и метрики классификации • В видео обсуждаются метрики классификации, такие как точность и полнота, которые помогают решать проблемы дисбаланса классов. • Точность учитывает только целевой класс, а полнота следит за всеми классами. 50:09 Примеры использования метрик • В медицине, например, точность может быть важнее, если нужно предсказать болезнь и лечить только больных. • В случае профилактики, полнота может быть более подходящей, так как важно вылечить всех. 55:08 Метрика “лук лосс“ • “Лук лосс“ является средним гармоническим между точностью и полнотой и может быть более подходящим для балансирования между ними. 56:04 Метрики классификации • Видео обсуждает различные метрики классификации, включая точность, полноту, лог-лосс и другие. • Лог-лосс имеет преимущество в том, что он учитывает градации классов и может быть дифференцируемым. 01:02:07 Искусственный дисбаланс и метрики • Видео демонстрирует, как искусственный дисбаланс влияет на метрики классификации, особенно на специфичность и точность. • Обсуждаются различные варианты классификации, включая бинарный, макро и микро. 01:11:43 Confusion Matrix и визуализация • Видео показывает, как Confusion Matrix может быть полезным инструментом для визуализации ошибок классификации. • Обсуждается, как можно использовать этот инструмент для анализа и улучшения классификации. 01:15:11 Управление балансом между точностью и полнотой • В видео обсуждается, как управлять балансом между точностью и полнотой, используя функцию “предсказание“ и “непредсказание“. • Это позволяет изменять порог отсечки, чтобы определить, какие объекты считать принадлежащими к определенному классу. 01:18:24 Использование кривой ROC для сравнения моделей • Кривая ROC может быть полезна для сравнения нескольких моделей, так как она дает оценку качества классификатора. • Площадь под кривой ROC может быть использована для определения качества модели. 01:20:36 Изменение баланса между точностью и полнотой • В видео объясняется, как можно изменять баланс между точностью и полнотой, меняя порог отсечки и bias. • Это позволяет определить, при каком порошке у модели будет самый высокий скок. 01:24:32 Сохранение данных в DataFrame • В видео обсуждаются способы сохранения данных в DataFrame, включая использование функции “трансформер“ и “группирующие столбцы“. • Это позволяет сохранить данные в виде отдельных групп и работать с ними в дальнейшем.
