Рубрика «деревья решений»
Цена риска: как ML-модели решают, какой процент по кредиту вы получите
2026-02-18 в 21:42, admin, рубрики: proxy discrimination, risk-based pricing, банки, градиентный бустинг, деревья решений, дискриминация, кредитный скоринг, машинное обучение, этика AI
Топ вопросов с Data Science собеседований: Деревья и ансамбли, кластеризация, метрические модели
2025-10-11 в 18:11, admin, рубрики: data science, data scientist, DS, machinelearning, ml, ml engineer, ансамбли, деревья решений, кластеризация, собеседованиеЗнание классики - база любых собеседований на все грейды в DS!
Этот материал не рассчитан на изучение тем с нуля. Это чеклист и тренажёр, по которому стоит пройтись перед техническим интервью по классическому ML. Кратко, по делу, с акцентом на то, что действительно спрашивают.
Это вторая часть вопросов по classic ML, если вы не видели первую, то обязательно читайте (там разобрал основы мл, линейные модели, метрики классификации и регресии).
А в этой части разберем:
-
деревья
-
ансамбли
-
метрические модели
-
кластеризацию
Введение в разработку CatBoost. Доклад Яндекса
2019-07-04 в 9:25, admin, рубрики: c++, catboost, open source, python, Блог компании Яндекс, градиентный бустинг, деревья решений, матрикснет, машинное обучениеМеня зовут Стас Кириллов, я ведущий разработчик в группе ML-платформ в Яндексе. Мы занимаемся разработкой инструментов машинного обучения, поддержкой и развитием инфраструктуры для них. Ниже — мой недавний доклад о том, как устроена библиотека CatBoost. В докладе я рассказал о входных точках и особенностях кода для тех, кто хочет его понять или стать нашим контрибьютором.
— CatBoost у нас живет на GitHub под лицензией Apache 2.0, то есть открыт и бесплатен для всех. Проект активно развивается, сейчас у нашего репозитория больше четырех тысяч звездочек. CatBoost написан на C++, это библиотека для градиентного бустинга на деревьях решений. В ней поддержано несколько видов деревьев, в том числе так называемые «симметричные» деревья, которые используются в библиотеке по умолчанию.
Незадача коммивояжера и красный октябрь
2017-11-07 в 11:00, admin, рубрики: python, анализ, Блог компании Open Data Science, визуализация, визуализация данных, деревья решений, маркетинг, машинное обучение, продажи, трейд маркетинг, Управление продажами, Управление продуктомГлавнокоммивояжер Аристарх стоял у окна и с лёгкой грустью во взгляде провожал стаю улетающих на юг комаров. Осень. Конец сезона. Пора дубинки, полюбившиеся жителям города Н в качестве средства самозащиты от кровососов и предмета статуса (известно, некусаный горожанин — милее надкушенного), забирать из оружейных лавок и завозить на их место рогатины от снежных троллей.
В рознице падение спроса на сезонные товары приводит к смене ассортимента на полках и возвратам невостребованных остатков на склады поставщиков. Кутерьма та еще. Не все могут похвастаться сбалансированным портфелем продуктов. Конец сезона может привести к кассовому разрыву и поставщики всячески стараются уменьшить потери. Незадача коммивояжера, как она есть.
Лето жаркое выдалось, потому сезон затянулся — мысль поселилась в голове Аристарха — годовой ритм миграции крылатых определенно укладывался в какие-то предопределённые природой рамки. А что если между продажами и погодой есть эта, как её, корреляция?
Покажи мне корреляцию погоды и продаж дубинок от комаров, вот тебе гигабайт сводных таблиц в экселе — так началось мое знакомство с возвратами сезонных продуктов. Читать полностью »