P⇄
Ммм трекинг оаоа ммм
Size: a a a
2020 October 01
AR
ну и да сами компы мы не инструментируем. только трафик видим
S
Благодарю за ссылки, посмотрю тогда в более тематических конфах.
М
Добрый день, вопрос простой, как выглядит loss с весами для классов, DecisionTreeClassifier'а?
М
просто не ясно как разбиваются узлы в случае class_weight=balanced
AG
просто не ясно как разбиваются узлы в случае class_weight=balanced
Есть у нас корневой узел, в нем 5 наблюдений, 2 хороших и 3 плохих, вероятности классов 0,4 и 0,6. Разбили, получили два узла, в одном - 3 наблюдения, 2 хороших и 1 плохой, вероятности 0,67 и 0,33, в другом – 2 наблюдения, 0 хороших и 2 плохих, вероятности 0 и 1.
Сделали balanced и прочитали
The “balanced” mode uses the values of y to automatically adjust weights inversely proportional to class frequencies in the input data as n_samples / (n_classes * np.bincount(y))
Для нашего примера веса будут
5 / (2 * np.bincount(y))
array([1.25 , 0.83333333])
Тогда в корневом узле относительные частоты станут 0,5 и 0,5, мы ж баланс хотим. Разбили, опять получили два узла, в одном - 3 наблюдения, 2 хороших и 1 плохой станут 1,25 * 2 = 2,5 и 0,83 * 1 = 0,83, в другом – 2 наблюдения, 0 хороших и 2 плохих станут 1,25 * 0 и 0,83 * 2 = 1,667. У нас – статистика, полтора землекопа вполне возможны. Ну и получаем вероятности, в одном 2,5 / (2,5 + 0,83) = 0,75 и 0,83 / (2,5 + 0,83) = 0,25, в другом 0 / (0 + 1,667) = 0 и 1,667 / (0 + 1,667) = 1. В тетрадке, которая в личке, это строки 5-7
Сделали balanced и прочитали
The “balanced” mode uses the values of y to automatically adjust weights inversely proportional to class frequencies in the input data as n_samples / (n_classes * np.bincount(y))
Для нашего примера веса будут
5 / (2 * np.bincount(y))
array([1.25 , 0.83333333])
Тогда в корневом узле относительные частоты станут 0,5 и 0,5, мы ж баланс хотим. Разбили, опять получили два узла, в одном - 3 наблюдения, 2 хороших и 1 плохой станут 1,25 * 2 = 2,5 и 0,83 * 1 = 0,83, в другом – 2 наблюдения, 0 хороших и 2 плохих станут 1,25 * 0 и 0,83 * 2 = 1,667. У нас – статистика, полтора землекопа вполне возможны. Ну и получаем вероятности, в одном 2,5 / (2,5 + 0,83) = 0,75 и 0,83 / (2,5 + 0,83) = 0,25, в другом 0 / (0 + 1,667) = 0 и 1,667 / (0 + 1,667) = 1. В тетрадке, которая в личке, это строки 5-7
М
Есть у нас корневой узел, в нем 5 наблюдений, 2 хороших и 3 плохих, вероятности классов 0,4 и 0,6. Разбили, получили два узла, в одном - 3 наблюдения, 2 хороших и 1 плохой, вероятности 0,67 и 0,33, в другом – 2 наблюдения, 0 хороших и 2 плохих, вероятности 0 и 1.
Сделали balanced и прочитали
The “balanced” mode uses the values of y to automatically adjust weights inversely proportional to class frequencies in the input data as n_samples / (n_classes * np.bincount(y))
Для нашего примера веса будут
5 / (2 * np.bincount(y))
array([1.25 , 0.83333333])
Тогда в корневом узле относительные частоты станут 0,5 и 0,5, мы ж баланс хотим. Разбили, опять получили два узла, в одном - 3 наблюдения, 2 хороших и 1 плохой станут 1,25 * 2 = 2,5 и 0,83 * 1 = 0,83, в другом – 2 наблюдения, 0 хороших и 2 плохих станут 1,25 * 0 и 0,83 * 2 = 1,667. У нас – статистика, полтора землекопа вполне возможны. Ну и получаем вероятности, в одном 2,5 / (2,5 + 0,83) = 0,75 и 0,83 / (2,5 + 0,83) = 0,25, в другом 0 / (0 + 1,667) = 0 и 1,667 / (0 + 1,667) = 1. В тетрадке, которая в личке, это строки 5-7
Сделали balanced и прочитали
The “balanced” mode uses the values of y to automatically adjust weights inversely proportional to class frequencies in the input data as n_samples / (n_classes * np.bincount(y))
Для нашего примера веса будут
5 / (2 * np.bincount(y))
array([1.25 , 0.83333333])
Тогда в корневом узле относительные частоты станут 0,5 и 0,5, мы ж баланс хотим. Разбили, опять получили два узла, в одном - 3 наблюдения, 2 хороших и 1 плохой станут 1,25 * 2 = 2,5 и 0,83 * 1 = 0,83, в другом – 2 наблюдения, 0 хороших и 2 плохих станут 1,25 * 0 и 0,83 * 2 = 1,667. У нас – статистика, полтора землекопа вполне возможны. Ну и получаем вероятности, в одном 2,5 / (2,5 + 0,83) = 0,75 и 0,83 / (2,5 + 0,83) = 0,25, в другом 0 / (0 + 1,667) = 0 и 1,667 / (0 + 1,667) = 1. В тетрадке, которая в личке, это строки 5-7
спасибо!
2020 October 02
L
прохожу курс ML на coursera от стэнфорда, там используются инструменты octave/matlab... Учитывая что курс 2011 года... подскажите, пожалуйста, есть современные инструменты аналоги? или даже сейчас используются эти инструменты и нужно уметь с ними работать?
D•
прохожу курс ML на coursera от стэнфорда, там используются инструменты octave/matlab... Учитывая что курс 2011 года... подскажите, пожалуйста, есть современные инструменты аналоги? или даже сейчас используются эти инструменты и нужно уметь с ними работать?
Нет, Людмила, это не javascript где обновления каждые 10 минут, и вчерашняя версия является безнадёжно устаревшей и неподдерживаемой.
Тут актуально всё годами :)
Тут актуально всё годами :)
D•
Я к тому, что инструменты используются. Но нужно ли уметь с ними работать — решать только вам
И
Нет, Людмила, это не javascript где обновления каждые 10 минут, и вчерашняя версия является безнадёжно устаревшей и неподдерживаемой.
Тут актуально всё годами :)
Тут актуально всё годами :)
Актуален ли octave/matlab?
TT
Актуален ли octave/matlab?
Для работы нет
TT
Только для учебы
D•
Где-то актуален где-то нет
L
Нет, Людмила, это не javascript где обновления каждые 10 минут, и вчерашняя версия является безнадёжно устаревшей и неподдерживаемой.
Тут актуально всё годами :)
Тут актуально всё годами :)
спасибо! а какие есть еще альтернативы?
И
Где-то актуален где-то нет
Где актуален?
D•
спасибо! а какие есть еще альтернативы?
numpy scilab sage
D•
ну ещё maxima и sympy
L
numpy scilab sage
спасибо!
D•
Где актуален?
Есть много областей применения, где он актуален. В промышленной авиации и аэрокосмическом приборостроении, например