K
это не SAS случайно?
Size: a a a
2020 November 25
i
Сас не знаю, он платный
SS
знакомый интерфейс, когда-то щупал, прикольный ui
K
Sergey Salnikov
но все уже поняли, что без сеток там тяжко ) я для прокачки этого направления (сетки для мульти-таргет) взял беспризовую таску на кагле по вакцинации, там 3 месяца, успею
да на самом деле никто еще не понял, пока приват не опубликовали. Логрегом 0.01902 выжал. Буду пытаться вот на сетки переносить все находки
SS
напомните, что за тулза?
i
Orange
SS
а, точно
SS
кстати, настоятельно рекомендую, весьма недурственная тулза для eda
i
школьники любят и пенсионеры тоже
НП
Добрый вечер всем!
SS
ну для задачек типа iris- самое то
НП
Есть вопрос по заданию в курсе "Обучение на размеченных данных
Неделя 1" Тетрадь: PA_linreg_stochastic_grad_descent.ipynb
При предлагаемых параметрах процесс не сходится, хотя авторы утверждают, что таки сходится, хотя ошибка явно застревает на 0.02. Предложено проверить шаг стохастического градиентного спуска, но там ошибиться просто негде:
ef stochastic_gradient_step(X, y, w, train_ind, eta=0.01):
return w - eta * np.array(X[train_ind])*(np.dot(w,np.array(X[train_ind]))-y[train_ind])
Соответсвенно, результат, видимо, не даёт большую (0.1) ошибку по отношению к теоретическому. При уменьшении шага спуска результат улучшается, но тоже сходимости, как таковой, не наблюдается.
"Доктор, что я делаю не так?"
Неделя 1" Тетрадь: PA_linreg_stochastic_grad_descent.ipynb
При предлагаемых параметрах процесс не сходится, хотя авторы утверждают, что таки сходится, хотя ошибка явно застревает на 0.02. Предложено проверить шаг стохастического градиентного спуска, но там ошибиться просто негде:
ef stochastic_gradient_step(X, y, w, train_ind, eta=0.01):
return w - eta * np.array(X[train_ind])*(np.dot(w,np.array(X[train_ind]))-y[train_ind])
Соответсвенно, результат, видимо, не даёт большую (0.1) ошибку по отношению к теоретическому. При уменьшении шага спуска результат улучшается, но тоже сходимости, как таковой, не наблюдается.
"Доктор, что я делаю не так?"
А
Есть вопрос по заданию в курсе "Обучение на размеченных данных
Неделя 1" Тетрадь: PA_linreg_stochastic_grad_descent.ipynb
При предлагаемых параметрах процесс не сходится, хотя авторы утверждают, что таки сходится, хотя ошибка явно застревает на 0.02. Предложено проверить шаг стохастического градиентного спуска, но там ошибиться просто негде:
ef stochastic_gradient_step(X, y, w, train_ind, eta=0.01):
return w - eta * np.array(X[train_ind])*(np.dot(w,np.array(X[train_ind]))-y[train_ind])
Соответсвенно, результат, видимо, не даёт большую (0.1) ошибку по отношению к теоретическому. При уменьшении шага спуска результат улучшается, но тоже сходимости, как таковой, не наблюдается.
"Доктор, что я делаю не так?"
Неделя 1" Тетрадь: PA_linreg_stochastic_grad_descent.ipynb
При предлагаемых параметрах процесс не сходится, хотя авторы утверждают, что таки сходится, хотя ошибка явно застревает на 0.02. Предложено проверить шаг стохастического градиентного спуска, но там ошибиться просто негде:
ef stochastic_gradient_step(X, y, w, train_ind, eta=0.01):
return w - eta * np.array(X[train_ind])*(np.dot(w,np.array(X[train_ind]))-y[train_ind])
Соответсвенно, результат, видимо, не даёт большую (0.1) ошибку по отношению к теоретическому. При уменьшении шага спуска результат улучшается, но тоже сходимости, как таковой, не наблюдается.
"Доктор, что я делаю не так?"
Проверьте правильно ли подготовлены данные
НП
Хорошо, проверю, но меня смущает то, что при уменьшении шага, результат таки приближается к теоретическому, что, косвенно, подтверждает, что данные "живы".
НП
Данные проверил. После формирования не меняются, только чтение.
G
Всем привет! Подскажите пожалуйста где можно скачать пайтон 2.7. на сайте continuum.io можно установить..но там уже 3 версия 😬
НП
Да, забыл сказать. Первые три задания (т.е. теоретические расчёты и ошибки) рассчитаны верно и приняты автоматикой. Это тоже (ИМХО) косвенно подтверждает правильность подготовленных данных.
SS
на официальном python.org
VP
Добрый день! Подскажите решение пожалуйста! Задача сделать формулу подсчета риска. На вход есть 7 источников риска от 0 до 100. Пример [10, 80, 5, 91, 2, 5, 50]. Из этих источников надо сделать один скор (0-100) который нелинейно будет уменьшать малые числа и усиливать большые. Условно если у нас есть [91, 5, 6, 3], то числа 5,6,3 должны усилить 91 меньше в сравнении если б было 91 и 45,50,70.
Заранее спасибо!
Заранее спасибо!
AR
Всем привет! Подскажите пожалуйста где можно скачать пайтон 2.7. на сайте continuum.io можно установить..но там уже 3 версия 😬
Читаем закреп