Привет! Ранее я уже измеряла опоссумов линейной регрессией, предсказывала размеры тела по остальным метрикам. А что, если необходимо не предсказать значение, а разбить на классы? Например, мальчик или девочка, место ловли опоссума или популяцию.
В таком случае необходимо произвести классификацию. Предлагаю воспользоваться логистической регрессией.

Моя задача – классифицировать имеющийся текст, иными словами, выполнить мультиклассовую классификацию данных.

Если вы занимаетесь машинным обучением и никогда раньше использовали AutoML в Python, то данный пост будет полезен. Я покажу, как использовать FLAML для автоматизированного машинного обучения

Модели трансформеров на данный момент являются state-of-the-art решениями в мире обработки естественного языка. Новые, более крупные и качественные модели появляются почти каждый месяц, устанавливая новые критерии производительности по широкому кругу задач. В данной статье мы будем использовать модель трансформера для бинарной классификации текста. Для работы с текстом существует большое количество решений. Самая простая и популярная […]

Зачастую хорошие результаты в различных ds задачах дают модели, создающие векторные представления объектов обучающей выборки. Но такие модели часто становятся чёрным ящиком, в который закидываем данные и просто верим ему. Иногда этого недостаточно и хочется получать информацию о том, почему модель приняла то или иное решение. Разберем один из способов как это можно сделать на примере задачи классификации предложений

При решении практических задач классификации часто приходится сталкиваться с дисбалансом классов. Такая ситуация может влиять на итоговый результат модели. Хочу рассказать, как дисбаланс и его устранение отражается на результатах классификации на примере простого классификатора логистической регрессии.

Несмотря на повсеместное внедрение, модели машинного обучения часто воспринимаются как «черный ящик». Чтобы доверять модели, необходимо понимать причины, по которым она сделала то или иное предсказание. В этом посте объясним предсказания любого классификатора с помощью Python-библиотеки LIME.