https://www.twitch.tv/dota2ti оно ведь?

Сорри, если такие ссылки запрещены. Могу удалить

https://www.twitch.tv/dota2ti оно ведь?

оно но там счас другая игра

ну то есть если мы построим рок, то идеальный случай это когда она проходит через 0,1 а худший, когда она проходит через 1,0

Да, понимаю. Можно дальше?

Да, понимаю. Можно дальше?

соответсвенно если площадь под рок большая это хорошо

если маленькая плохо

соответсвенно если площадь под рок большая это хорошо

это auc?

это auc?

да

area under curve

Окей, тогда что означает roc auc метрика? Качество?

Окей, тогда что означает roc auc метрика? Качество?

ну в целом да

Ребят, привет. sckit-learn roc_auc_score выдает, скажем так, значение, которое разделяет вероятность 0 и 1? Например, roc_auc_score дал результат 0.80, значит то, что меньше 0.80 это 0, а больше - 1?

значит, roc_auc_score возвращает качество бинарной классификации? Но как это понять, если я даю тренировочный сет, получаю результат

значит, roc_auc_score возвращает качество бинарной классификации? Но как это понять, если я даю тренировочный сет, получаю результат

что значит "как понять"

1 хорошо

0 плохо

нет не значит

значит что площадь под roc 0.75

И все?) Понял

?

?

Спасибо огромное

?

Евгений, да вы прям как учитель объяснили ?

Площадь roc auc должна стремиться к единице, верно?

И всё.

Roc_auc она хорошо работает для тех случаев, когда данные сбалансированы

Если данные не сбалансированы лучше f1_score

Потому что площадь может быть одинаковой при большом FPR и маленьком TPR и наоборот, если важен меньший класс (что достаточно часто, так как события например в мед диагностике идут с соотношением 1:10) - лучше выбрать другую метрику. Как правило следят и за roc_auc, и за f1, f1 это типа среднее гармоническое между recall и precision.

Меня кстати на защите тоже спросили а почему большой roc_auc - хорошо, объяснял в том же стиле, что сверху написали?

Как на кегле понять, хотят от тебя predict или predict_proba?

ну вообще-то на кеггле метрику хотят от вас)

надо accuracy, смотрим predict

надо auc, берем predict_proba

ну это такое, конечно, объяснение

ERROR: S client not available

по чукотски

ну вообще-то на кеггле метрику хотят от вас)

Ну да, я это имел ввиду) Я уже увидел в описании, разобрался, спасибо!

А кто-нибудь использовал бустинг с бустером Dart? Какие значение rate и skip drop обычно наиболее адекватно? Можете пояснить про соотношение?

Ребят, простите за тупейший вопрос. Kaggle это комьюнити по МЛ и DC, где есть куча данных для тренировки и развития навыков? Просто у меня все datasets с kaggle говорят загружать(учусь в ML), вот я и не могу понять, что это такое

почти) https://www.kaggle.com/

Подскажите, я правильно понял разницу (в tensorflow) : в tf.variable можно что-то положить и изменять, а в tf.placeholder - только продолжить и использовать?

Плейсхолдер - обещание что-то подходящее положить, а вэрибл - положить сразу

То есть, теоретически, не обязательно что-то определенное использовать? К примеру веса в нейронках - variable, можно попробовать placeholder?

Всем привет, такой вопрос. У меня есть десятки тысяч тайм серий. Все они примерно одной природы (скажем производные от данных со свитчей). Хочу построить какие-нибудь легковесные модельки, которые бы позволяли находить тайм серии, которые ведут себя странно на фоне других. Видел ли кто-нибудь работы на подобную тему? Или сам сталкивался?

На всякий случай, ключевое отличие, что тайм серия не одна.

Чуть более конкретный вопрос. Есть некая Copula Theory. Я с ней не очень знаком, но может кто-то пытался применить на практике. Ее имеет смысл изучить?

Всем привет, такой вопрос. У меня есть десятки тысяч тайм серий. Все они примерно одной природы (скажем производные от данных со свитчей). Хочу построить какие-нибудь легковесные модельки, которые бы позволяли находить тайм серии, которые ведут себя странно на фоне других. Видел ли кто-нибудь работы на подобную тему? Или сам сталкивался?

https://arxiv.org/abs/1802.06360

Аналогичных работ масса по запросу "anomaly detection"

Это очевидно не то

Хотя бы в силу природы. Я не верю, что картинки и тайм серии будут идти через одну архитектуру.

+ вопрос к тому, насколько легковесна сама модель