Лекция 11. Калибровка классификаторов. (Анализ данных на Python в примерах и задачах. Ч2)

[@mlpython1089]

Спасибо за лекцию. Есть интересный метод калибровки через стриженные деревья, в листьях которых обучены логистические регрессии. Там даже не нужна валидационная выборка. Написал такой класс. Если кому интересно, то у меня на гитхабе он есть с примером.

[@vasiliidovedov3675]

49:55 'На практике калибровка не нужна'. Очень спорное утверждение. А если мы действительно предсказываем вероятности, а потом используем их для вычисления математического ожидания? У меня на работе (банковская сфера) калибровка является обязательным условием вывода модели в продакшен. Я бы выразился чуть аккуратнее: на практике калибровка не нужна в большинстве практических задач. Но квантор всеобщности тут явно лишний.

[@Vadim_Abbakumov]

Вы правы, что-то я погорячился. На самом деле моя оценка примерно такая же, как Ваша. Иначе я не стал бы рассказывать эту тему.

[@mlpython1089]

Где бы в куки записать, что я не смотрю и не реагирую на любую рекламу?

[@ОлегСотов-ю9с]

Может быть, модель с рекламой в приложениях на самом деле решала задачу разделения классов «кликнет» - «не кликнет», а не буквального вычисления вероятности?

[@Vadim_Abbakumov]

Если распознавать только класс, нельзя управлять объемом аудитории рекламной кампании...