Ну тогда это к автору курса вопрос :)

Ну, вдруг в старые добрые времена R сам округлял, сам кофе делал.

Я могу ошибиться, но машинное округление зависит от разных факторов, в т.ч. разрядности системы, самой системы и и.п.

На степике вроде одна и та же версия запускается у учеников и по счастливой случайности эту ошибку могли не заметить. Если сама функция иначе стала работать , то это в документации может быть отражено

v <- 1:1e5

system.time({
  
  x <- 0
  for (i in v) x[i] <- sqrt(v[i])

  
})

system.time({
  
  y <- sqrt(v)
  
})

identical(x, y)

R 4.0.3

Ага, всё понятно, спасибо.

Я просто так понял, что в новых версиях они не равны. Но у меня на последней версии R они идентичны.

Да, я тоже так понял. Спасибо, что увеличили мою убеждённость.

кто-нибудь может подсказать - есть для R реализация knn для sparse-матриц? удивительно, но не нашел такого (

https://cran.r-project.org/web/packages/biganalytics/biganalytics.pdf

bigkmeans

Спасибо

Коллеги, приветствую. Читая спортивные новости, особенно по американским лигам (типа НБА) часто наталкиваюсь на сообщения из серии:
«Игрок X стал самым молодым который залил 1000 очков, сделал 2000 подборов и 3000 передач»
«Матч между Бостонскими Бобрами и Тиграми из Маями стал самым результативным матчем, который проходил в четверг с 1987 года»

Понимаю, что здесь часто есть уловка , ведь часто такие новости публикуют, например, для пиара спортсмена. Если ноунейм станет самым молодым, кто сделает какую-то иную комбинацию показателей, то это в топы новостей это явно не попадёт.

Или до 1986 года очевидно мог состояться более яркий матч, а в целом с начала подсчета результативность может быть условно N 37 в общем списке матчей четверга. Но об этом же не интересно писать?

Вопрос следующий: кто-нибудь знает , как автоматизируется такой поиск «фактов»? Видел ли кто-то пакеты в R? Или это ручные манипуляции для ярких заголовков?

Ни в коей мере не претендую на то, что разбираюсь в этом вопросе, но мне кажется, что есть базы данных. Как пример, я нашёл вот эти пакеты: https://github.com/ropensci/opendata#sports

Я как-то семинары вела на курсе у американского профессора, у него все лекции, все примеры, все данные были про бейсбол.засада была в том, что он преподавал в европейском университете и 90% слушателей не понимали про бейбол ничего.
В американском его университете он говорил, что бейсбол и баскетбол его и спасал в обьяснении концептов статистики. Потому что там что ни матч, то данные на данных и все время новые метрики. И то, чему он учит тут же будет в комментариях матчей повторятся миллион раз и студенты это лучше усваивают

Спасибо. У меня скорее интерес как в такой базе (или в любой другой, в том числе своей) ищут такие жаренные факты.

Идут ли от задачи (найти что-то яркое про команду/матч/игрока) или все же сначала находится факт с последующим описанием.

Бейсбол круто, нормальная игра

По-моему когда ты долго в каких-то данных сидишь, появляется хорошее представление о том, что в этих данных типичного, что нетипичного и тп. Не построчно, конечно, но в целом. И какая-то новая инфа, связанная с теми данными, которые ты знаешь inside out, она не на пустое место приходит. Почти сразу появляется идея с чем можно сравнить и тд. А дальше, чего клиент/заказчик хочет + насколько профессилнальная этика позволит + есть ли хоть какой-то смысл в предлагаемом сравнении, кроме появления кликабельного заголовка.

мне кажется речь идет о неком длинном списке фильтров, которые проверяют свое состояние по поступающей статистике. Там можно поломать голову над организацией, но набор условий конечен и их вряд ли больше нескольких десятков, дальше просто сочетания

Давно хотел по этому принципу автостатсмена для доты сделать.

тоже верно

А что народ думает про логистическую регрессию со смешанными эффектами, которую запустили на несбалансированных данных (92% к 8%, 2000 наблюдений)...