I
Я в последние пару лет стал слышать "в Jupyter"/"в Pycharm" вместо "на Pythone"
и не "написать", а "создать"
махаешь палочкой и оно создалось...
махаешь палочкой и оно создалось...
Size: a a a
2020 December 26
AS
Я в последние пару лет стал слышать "в Jupyter"/"в Pycharm" вместо "на Pythone"
Буду знать, чем знакомых питонистов троллить.
К
Шо за дичь
a
Переслано от aGricolaMZ
#8 Следующий скринкаст будет в это воскресенье 2020.12.27 в 16:00.
https://zoom.us/j/96844047978?pwd=YkdFNmdENUNJSlY3U04rSndRU0dsQT09
https://zoom.us/j/96844047978?pwd=YkdFNmdENUNJSlY3U04rSndRU0dsQT09
OS
Я в последние пару лет стал слышать "в Jupyter"/"в Pycharm" вместо "на Pythone"
ну жупитер уже действительно совсем больше чем питон: к нативной связке питона и баша я там уже так привык что смешиваю не думая, да и порисовать в нём же, на ходу подключив ар — тоже кайф
IS
Всем привет!
есть у кого идеи почему
При этом для не для всех а для отдельных ошибаются.
Оставил второй вариант - но хотелось бы разобраться конечно
есть у кого идеи почему
t1 %>% filter(и
) %>% arrange(client_code) %>%
mutate(pred=
lm(data=.,sum~dif/factor(client_code))$fitted.values
)
t1 %>% group_by(client_code) %>% nest() %>%Дают разные результаты в предсказании?
mutate(pred= lapply(data,function(df) lm(sum~dif,data=df)$fitted.values)) %>% unnest()
При этом для не для всех а для отдельных ошибаются.
Оставил второй вариант - но хотелось бы разобраться конечно
ЮМ
Всем привет!
есть у кого идеи почему
При этом для не для всех а для отдельных ошибаются.
Оставил второй вариант - но хотелось бы разобраться конечно
есть у кого идеи почему
t1 %>% filter(и
) %>% arrange(client_code) %>%
mutate(pred=
lm(data=.,sum~dif/factor(client_code))$fitted.values
)
t1 %>% group_by(client_code) %>% nest() %>%Дают разные результаты в предсказании?
mutate(pred= lapply(data,function(df) lm(sum~dif,data=df)$fitted.values)) %>% unnest()
При этом для не для всех а для отдельных ошибаются.
Оставил второй вариант - но хотелось бы разобраться конечно
Предположу что сортировка не равна группировке, и где-нибудь здесь кроется ошибка
IS
Предположу что сортировка не равна группировке, и где-нибудь здесь кроется ошибка
Звучит похоже конечно , хотя я так и не нащупал где проблема. Но мысли появились куда смотреть еще, спасибо
EK
Всем привет!
есть у кого идеи почему
При этом для не для всех а для отдельных ошибаются.
Оставил второй вариант - но хотелось бы разобраться конечно
есть у кого идеи почему
t1 %>% filter(и
) %>% arrange(client_code) %>%
mutate(pred=
lm(data=.,sum~dif/factor(client_code))$fitted.values
)
t1 %>% group_by(client_code) %>% nest() %>%Дают разные результаты в предсказании?
mutate(pred= lapply(data,function(df) lm(sum~dif,data=df)$fitted.values)) %>% unnest()
При этом для не для всех а для отдельных ошибаются.
Оставил второй вариант - но хотелось бы разобраться конечно
Вы в первом случай одну модель на всех фитите, а во втором - по отдельности на каждого клиента. Вот и предсказания разные. Или я что-то упускаю?
IS
Вы в первом случай одну модель на всех фитите, а во втором - по отдельности на каждого клиента. Вот и предсказания разные. Или я что-то упускаю?
предполагается что /factor(client_code) должен разделять как раз внутри lm()
2020 December 27
EK
По коэффициенту на каждого клиента не то же самое, что независимая модель на каждого клиента. Фитится именно одна большая регрессия. Это то, что называется complete pooling.
EK
Прошу прощения, complete pooling это было бы
sum~dif на всем датасете. sum~dif/client это, конечно, не оно. Но модель у вас все равно одна остается, с одним общим свободным членом.ГД
Всем привет!
есть у кого идеи почему
При этом для не для всех а для отдельных ошибаются.
Оставил второй вариант - но хотелось бы разобраться конечно
есть у кого идеи почему
t1 %>% filter(и
) %>% arrange(client_code) %>%
mutate(pred=
lm(data=.,sum~dif/factor(client_code))$fitted.values
)
t1 %>% group_by(client_code) %>% nest() %>%Дают разные результаты в предсказании?
mutate(pred= lapply(data,function(df) lm(sum~dif,data=df)$fitted.values)) %>% unnest()
При этом для не для всех а для отдельных ошибаются.
Оставил второй вариант - но хотелось бы разобраться конечно
А что обозначает знак деления в формуле? Я поискал в документации - ничего не нашел. Если смотреть на результаты регрессии со знаком деления, то коэффициенты разные в зависимости от группы, но константа для всех уровней фактора одинаковая. То есть это не то же самое, что по отдельности делать. По смыслу должно быть
Разница не более 1e-15
*. Извиняюсь за аццкий однострочник:summary(
lm(Sepal.Length ~ Sepal.Width*Species, data = iris)$fitted.values -
unlist(lapply(lapply(split(iris, iris$Species), lm, formula = Sepal.Length ~ Sepal.Width), `[[`, 'fitted.values'))
)
Разница не более 1e-15
EK
x/y == x + x:y
IS
А что обозначает знак деления в формуле? Я поискал в документации - ничего не нашел. Если смотреть на результаты регрессии со знаком деления, то коэффициенты разные в зависимости от группы, но константа для всех уровней фактора одинаковая. То есть это не то же самое, что по отдельности делать. По смыслу должно быть
Разница не более 1e-15
*. Извиняюсь за аццкий однострочник:summary(
lm(Sepal.Length ~ Sepal.Width*Species, data = iris)$fitted.values -
unlist(lapply(lapply(split(iris, iris$Species), lm, formula = Sepal.Length ~ Sepal.Width), `[[`, 'fitted.values'))
)
Разница не более 1e-15
В синтетических датасетах все так. Но вот в практике - когда на одном и том же датасете делаю два подхода - вот через nest()
IS
А вот тоже самое через y~x/z
IS
Ну и вообще ряд кривых отличается
EK
Так почему вы ожидаете от индивидуальных моделей и от одной обшей модели один и тот же результат? Если бы можно было ещё 1/clientid добавить, тогда было бы одинаково, но с одним общим интерсептом одинаковых результатов не может получиться.
ГД
Так там звёздочка должна быть вместо
/. С делением константа одна и та же для всех групп, а должна быть разная