Машинное обучение. Критерии выбора моделей. К.В. Воронцов, Школа анализа данных,Яндекс.

preview_player
Показать описание
Лекция состоит из двух слабо связанных частей. В первой части рассматриваются критерии качества классификации, от простейшего «числа ошибок» до правдоподобия, AUC и PR-AUC. Каждый из них имеет свои границы применимости и противопоказания. От них мы переходим к критериям, характеризующим обобщающую способность моделей. От скользящего контроля до разного рода штрафов за сложность модели: AIC, BIC, VC-bound и прочие. Во второй части рассматривается задача отбора признаков, имеющая экспоненциальную вычислительную сложность, и эвристические методы сокращения полного перебора. Жадные алгоритмы. Поиск в глубину и в ширину. Эволюционные алгоритмы. Случайный поиск с адаптацией.
Рекомендации по теме
Комментарии
Автор

"Аналогии для красного словца" делают лекции живее!

TheLordkyra
Автор

Кто-нибудь нашел как называется алгоритм, о котором рассказывается на 58:35 ?
Чтобы выполнять add-del за константу

ИльяГерман-ьж