А что если использовать свои навыки регрессии, чтобы предсказать длину головы опоссума по остальным метриками его тела?

Чтобы решить задачу прогнозирования, автор этого поста решил повысить информативность данных. Он рассказал, как с помощью метода главных компонент возможно снизить шум, исключить дублирование информации и уменьшить время на обработку.

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

Зачастую недостаточно только выбрать архитектуру модели, нужно оптимизировать её гиперпараметры под конкретную задачу. Сегодня мы познакомимся с инструментом, удобным в использовании и легко встраиваемым в любой код.

При построении моделей, не зависимо от используемого метода, выбор используемых при построении признаков оказывает значительное влияние на результат. Правильный подбор и фильтрация позволяют не только ускорить обработку данных, но и вероятно улучшить качество модели в целом. Именно поэтому правильный алгоритм определения значимых признаков играет большую роль, что и будет рассмотрено в данной статье.

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.

Всем привет! В статье рассматривается два популярных алгоритма уменьшения размерности, а именно T-distributed Stochastic Neighbor Embedding (t-SNE) и Uniform Manifold Approximation and Projection (UMAP). Их удобно использовать, когда необходимо визуализировать данные с большим количеством параметром (также будем называть это размерностью данных).