Нет.

Для такого новичка как он и так сойдёт

PyTorch поинтереснее, правда.

При том что не сильно то и сложнее tf

(Ну то есть если python не вызывает ужаса в глазах то пайторч и тф +- одинаковы в своей learning curve)

так есть же Keras

там вообще всё очень просто и для новичков самое оно

Keras ограничивает во первых. И слишком много инкапсулирует

я предлагал инстурменты явному новичку

ему надо то, что попроще, а не то, что помощнее

Я ж на своем опыте говорю - рандомное наслаивание слоёв в керасе и fit в конце не особо добавляет понимания происходящего)

Ребят, всем привет. Есть вопрос: есть БД с набором имен( имена могут состоять из нескольких слов). Есть сайт с полем First name + Last name. Как лучше с точки зрения проверки на фейковое имя сделать проверку? Простое вхождление и проверочки по маленьким кусочкам не предлагать =)

Ребят, всем привет. Есть вопрос: есть БД с набором имен( имена могут состоять из нескольких слов). Есть сайт с полем First name + Last name. Как лучше с точки зрения проверки на фейковое имя сделать проверку? Простое вхождление и проверочки по маленьким кусочкам не предлагать =)

а как определяется "фейковость" имени?

а как определяется "фейковость" имени?

наличие имени в БД

сделать отдельный столбец с именем, проиндексировать и искать по нему

точнее отдельную таблицу

подскажите такой момент. генератор = class_mode='categorical', Dense(10) , Activation('sigmoid'), loss='binary_crossentropy' в таком случае я получу для каждого класса бинарную классификацию?

сделать отдельный столбец с именем, проиндексировать и искать по нему

просто name(db) in user_input?

Подскажите: обучение дерева решений зависит от порядка признаков в таблице? Когда я, например, возраст перемещаю в конец, то дерево другим получается, это нормально?

Подскажите: обучение дерева решений зависит от порядка признаков в таблице? Когда я, например, возраст перемещаю в конец, то дерево другим получается, это нормально?

Нет, это не нормально

random_state фиксирован

У вас падает точность при перемещении столбцов?

Не смотрел

А что вас тогда смущает?

Мне нужно указать, какой признак в корне, а он меняется

а если n_estimators=1 поставить, тоже меняется?

У вас бустинговые деревья или обычный ансабль?

я обучаю через DecisionTreeClassifier, там такого параметра нет

Вот

У вас будет 100 деревьев к примеру. О каком из 100 корней вы говорите?

Я одно дерево только обучил

Потому что сам еще только обучаюсь этому делу)

Одно дерево по идее он должен всегда делать одинаково

Надо залезть в код, посмотреть как они делают деление…

Вот

Разница в том, что я засунул пол в центр

а где ты так делаешь ?

jupyter

Или про что вопрос?

а у вас там gini одинаковый, он может и так и так делить — результат один

пол года в нем сижу и первый раз вижу что так можно

Причем он делит в абсолютно равном соотношении

Очень странно

Скажите а что проверяет вот такое условие if imutils.is_cv2() ?

У вас случайно столбцы не продубилированы?

Ой, на этом примере да)

Но уже было так раз 5

Я посмотрел 5-6 комбинаций

Даже вот сейчас

Такое впечатление, что вы ему подсовываете данные, которые дублируют друг-друга и ему всё-равно как делать дерево

поэтому он делает раз так, раз так

Даже без дублированных одинаково делит

А может ли быть баг с ОС?

Еще меня смущает, что он делит в таком же количестве, а названия признаков меняет

В узлах

А как вы колонки переставляете?

случайно не так? df.columns = […]

У меня есть основная таблица с данными, я беру таким образом: new_df = df[['asdas' , ...]]

У меня есть основная таблица с данными, я беру таким образом: new_df = df[['asdas' , ...]]

так правильно

МОжет быть проблема в том, что я сохраняю граф в файл *.dot, потом открываю его через блокнот и визуализирую уже на сайте?

ERROR: S client not available

Маловероятно

а что выдаёт np.mean(new_df[‘ap_hi_1’]==new_df[‘ap_hi_2’])?

только там кавычки поставьте правильные

tg их переделывает на свой манер

В dot graph порядок составления вершин в графе зависит от порядка появления рёбер в файле, но если файл не меняется, то после компиляции вид должен быть одинаковый.

Дима Мотлль, привет).

а что выдаёт np.mean(new_df[‘ap_hi_1’]==new_df[‘ap_hi_2’])?

0 в ap_hi_1 и ap_hi_2

В принципе, ожидаемо

а, ты ведь имел в виду new_df[new_df[‘ap_hi_1’]==new_df[‘ap_hi_2’]].mean() ?

потому что иначе он суммирует массив из True и False

он пишет среднее

если массивы совпадают, то будет 1.0

Да, у меня получилось ~0.25

значит не совпадают

Ну вроде с данными всё нормально, я много раз уже их перепроверил

Перекомпилил

а может проще сразу в jupyter notebook выводить

Есть вроде какая-та для этого библиотечка для визуализации decision trees

export_graphviz?

да, graphviz

она на windows не рисует в jupyter

Или я не смог загуглить

А вы через это строите? http://webgraphviz.com

Да

Всем привет, почему пандас не читает первую колонку:

О, а почему админ мне запретил присылать медиа?

Я бы предложил кинуть мне в личку, чтобы переслать

Но боюсь меня тоже забанят

А что случилось-то, я тут, вроде, далее давно не писал

Даже*