Тренировки по ML. Лекция 3: Линейная классификация, метод максимального правдоподобия

[@kj_ysmemhs_int]

На текущий момент эта лекция - самая понятная из всех доступных (т.е. с 1й по 4ю). Смог разобраться во всех математических выкладках, когда пересматривал в записи (совсем не шарю в ML; сносно знаю математику). В сумме усвоение материала из лекции и составление сжатого конспекта заняло 4 часа (не включая доп.материалы). (держу в курсе 😐)

[@rodionkholodaev4104]

Спасибо за лекцию

[@АйгульСамедова-ъ9о]

1:24:37 В качестве примера для ошибок I и II рода иногда приводят детекцию террористов. Если условная рамка среагирует на обычного человека, приняв его за террориста - это False Positive, ошибка первого рода. И ее цена в том, что человека задержат, проверят и отпустят. А если террориста не обнаружили и приняли его за обычного человека - это False Negative, ошибка второго рода - и она в этом контексте более опасная. То есть для разработчиков таких систем детекции False Negative очень важный показатель, и больше внимания нужно уделять Recall - полноте предсказания.

[@dies0mbre944]

смеялась, когда мнемоническое правило по запоминанию precision-recall'а оказалось тем же, что и я использую

[@binbinbinbin123]

1:12:55 Радослав, привет. Лекция суперская!!! Но пример с фиолетовыми глазами не совсем корректен, так как precision далеко не 100%)))

[@Anastasiia-s6y]

Уравнение σ(−z)=1−σ(z) показывает, что график сигмоиды симметричен относительно точки (0,0.5), но сама функция не является строго симметричной (ни чётной, ни нечётной).

[@Quondix3.0-wq4jy]

Начало 3:35

[@Irades]

Спасибо ❤

[@Виталий-о8н6б]

спасибо, нравицца

[@La-Ma]

Пресижин - значение истинноположительного класса среди ПРЕДСКАЗАННЫХ положительными. Реколл - значение истинноположительного класса среди РЕАЛЬНО положительных.

[@RokokoLiteRLite]

тогда реколл всегда 1