#C2W3 Задание 6
Не могу получить правильный ответ. Подскажите, верно ли выполняю задание, пожалуйста:
1. Из вещественных признаков с 0 вместо пустых данных делаю обучающую и тестовую выборки. Использую параметр стратификации (test_size=0.3,  random_state=0, stratify=y)
2. Масштабирую полученные выборки
3. Создаю объект логистической регрессии, не забывая передать параметры: solver='liblinear', class_weight='balanced', penalty='l1'
4. Подбираю параметры при помощи GridSearchCV
5. Получаю веса, нахожу нулевые индексы

Ответ не принимает система. Может быть, обучать модель нужно было на других данных? Я использовал только вещественные с нулями. Спасибо.

@Aroh подсказал решение. Моя ошибка была в том, что обучать модель нужно на смеси вещественных и категориальных признаков, а нулевые признаки искать только среди первых 13 вещественных в полученном решении. Тогда ответ принимается.

категориальные добавить не забыли?

намеренно не добавлял. т.е. при обучении использовать также и категориальные, а нулевые искать только среди вещественных (первые 13 из пяти с лишним тысяч признаков)?

да

спасибо, сейчас попробую

короче да, косяк был. onehot сработал криво и получилось не 5000 с лишним тысяч признаков а всего около 400. Исправил - ответ принят. Тем не менее странно что приняты ответы 2 и 3 построенные на этих кривых 400 признаках...

прекрасно, ответ был принят!

спасибо!

для себя сделал вывод, что надо сделить за размерностью матрицы признаков на каждом шаге трансформаций этих признаков

#C2W4 в задании пишут " В реальности часто применяется следующая стратегия выбора шага: как только выбран алгоритм, подберем коэффициент перед ним численным методом оптимизации таким образом, чтобы отклонение от правильных ответов было минимальным.". Вопрос: Тут предлагают перебрать коэффициент по сетке?

Анализ отзывов самый простой, я делал его. Фишка в том, что ты сам должен найти и спарсить датасет. Начинал также анализ временных рядов, но там у меня пошли затыки с тем, что некоторые вещи долго вычислялись на моем компьютере, хотя он и довольно мощный.

На одном из форумов шестого курса говорится, что задачи не одинаковые по сложности, и я с этим согласен.

Также поддерживаю мнение, что выбор зависит в первую очередь от того, где дальше работать. Ну а потом уже что интересно.

а где работать и что нравится в рамках данного курса вещи плохо совместимые?

Спасибо)

К примеру, если хочешь работать с нейронками, эта специализация не по теме) Этот курс больше по классическому ML

Нет, просто курсовые проекты очень разные, и часто бывает так, что интересно решать не только полезные на работе задачи.

Всегда рад помочь!

Согласен, но базу дают качественную, как мне кажется.

интересно, кстати, где первую работу быстрее найти можно при одинаковом усердии? в нейронках или ML?

Искать работу по зарплате или быстроте вхождения тоже важно, но не менее важен кайф от работы. Мне кажется, что с классическим ML (эта специализация) проще найти работу: либо в аналитики данных податься, либо в дата сайентисты. А вообще развивайся во всем, что приносит результат и кайф. Что тебе интереснее, тем и занимайся)