089. Мастер класс Решение задач классификации при помощи CatBoost - Никита Дмитриев

[@martins1500]

Классный туториал, спасибо. Печально, что я пришел сюда только в 2024.

[@aboutmelife]

Почему печально ?

[@alexeylubinets8758]

Отличная лекция, много полезной информации. Ждем многопоточные вычисления на cpu. Хорошо бы еще добавить примеров на официальном сайте.

[@Ivan-rj8fg]

30:18 Cross-validation 1:06:03 tunning

[@linterrupt]

На XGBoost я получаю ROC AUC = 0.87 На CatBoost ROC AUC = 0.74. В чем же причина

[@mukammedalimbet2351]

спасибо! очень полезно

[@jjj78ean]

Для тех, кто хочет поиграться с параметрами -мотайте на 1:06:00

[@ilyin_sergey]

а по какой ссылке ноутбуки лежат?

[@jjj78ean]

43:20 roc-curve

[@nikitakuptsov1233]

А есть подобное видео для задачи регрессии?

[@yugopolis23]

Почему он всё время чавкает ?

[@AgentSmithLP]

оче приятно

[@ОлегДоходицифровыефинансы]

Мы получили число-границу принятия решений при помощи Trashhold. Как ее передать в модель?

[@romanbaldaev227]

Как вариант - после predict_proba руками сделать итоговые предсказания

[@linterrupt]

34:16 Почему нет AUC для train? А нет, тут есть. Но у меня почему-то не показывает

[@sonfiree]

Где ноутбук взять? В репозитории CatBost не правильный лежит

[@nikitxskv]

github.com/catboost/catboost/blob/master/catboost/tutorials/events/pydata_moscow_oct_13_2018.ipynb

[@mikhailzhitnikov3715]

Очень уж он дефолтный получился. Превзойти результаты параметров по умолчанию крайне сложно на вменяемых данных. С одной стороны это хорошо. С другой получается, что катбустом затестил датасет, оценил приблизительно и пошел дальше учить другие модельки. Впрочем и XGB не далеко ушел. Может так и задумывалось разрабами конкретной реализации, а может сам бустинг "устойчив" к подбору гиперпараметров )

[@kuqmua755]

Респект.

[@darenty6752]

таймкод для себя 54:32

[@cozyfootball]

Брак по звуку, Яндекс ну ты чего 😮

[@Sibbarb9]

А почему не Анна рассказывает? Это же ее ребёночек)

[@prapor23rus]

у сотрудника Яндекса стоит адблок - как это показательно...

[@myolimpiada5037]

Первый Нах! :) Спасибо ! было очень интересно!

[@МаъруфСултанов-ь1ш]

что у него за ноутбук ?

[@petrkoklev6857]

jupyter

[@martins1500]

Макбук конечно же, как у любого приличного программиста

[@mikhailzhitnikov3715]

Если учить модели на локальном GPU, то Макбук не вариант. Любой игровой ноут с картой rtx будет считать сильно лучше.

[@gordonfreeman6804]

CatBoost лучше некоторых. Уступает в точности Random Forest - сам проверил на сложных датасетах. Да и то, что с шумами и выбросами не борется делает его заурядным алгоритмом. Есть куда более перспективные направления в ML.

[@baxai_]

Как рэндом форест может быть лучше бустинга?) шо вы придумываете ей богу

[@jamesmiller2521]

У меня такое ощущение, что катбуст в Яндексе написали "шоб було" или по юридическим причинам. Честно говоря, преимущества пред хгбуст и лайтгбм не очевидны.

[@linterrupt]

Почему, в сравнении же выигрывает. API CatBoost намного приятнее того же XGBoost. Еще плюсом является, что не надо отдельно обрабатывать категориальные фичи, он сам обработает. Очень удобно, что выводит график в реальном времени