АГ
регуляризация и масштабирование признаков - это разные вещи. О чем вообще речь?
Тут просто сначала было 2 независимых вопроса и 2 независимых ответа)
Size: a a a
2021 January 12
ИБ
Речь о том как влияет масштабирование на качество
A
растут это плохо, мы штрафуем и тд. почему растут? )))
DP
Alexey
о регуляризации... и коэфф регрессии - при нестрогой мультиколл они растут, почему?
не коэффициенты растут, а se коэффициентов.
K
не коэффициенты растут, а se коэффициентов.
+
АГ
Речь о том как влияет масштабирование на качество
Нет, вопрос был именно про масштабирование и град спуск сначала
K
Alexey
растут это плохо, мы штрафуем и тд. почему растут? )))
в курсе говорилось, что мол большие оценки коэффициентов в модели - это признак мультиколлинеарности. Строго говоря растет дисперсия оценок. А большие оценки могут быть следствием, а могут и не быть. Это просто нестрогий признак
ИБ
Ну масштабирование по сути выравнивает признаков пространство по всем направлениям
ИБ
Поэтому градиенты ведут себя чуть лучше
SA
это третья неделя, а я сейчас делаю первую )
в задании просто сказано - масштабируйте )
но спасибо, сейчас разберусь )
в задании просто сказано - масштабируйте )
но спасибо, сейчас разберусь )
По-моему, они там в лекциях объясняют еще на первой неделе, зачем масштабировать. Я уже не помню. Но вы почитайте начало файла, этого достаточно для понимания необходимости масштабирования. А остальное оставьте на потом, как до третьей недели доберетесь, почитаете) Вообще, в курсе нередко такое происходит - позднее объясняется что-то, что надо было ранее делать.
DP
не коэффициенты растут, а se коэффициентов.
а почему - ибо чем ближе вы к ситуации a=2b, где a, b - признаки, тем хуже можно определить коэффициенты при признаках. Ибо у вас получается, что можно коэффициент при одном уменьшать, увеличивая второй, и наоборот.
A
в курсе говорилось, что мол большие оценки коэффициентов в модели - это признак мультиколлинеарности. Строго говоря растет дисперсия оценок. А большие оценки могут быть следствием, а могут и не быть. Это просто нестрогий признак
ага, меня заинтересовало - почему большие.. и что такое большие..
АГ
Ну масштабирование по сути выравнивает признаков пространство по всем направлениям
Масштаб линий уровня при минимизации, грубо говоря в 2 мерном случае будут концентрические окружности напоминать, а не эллипсы
ИБ
Артём Глазунов
Масштаб линий уровня при минимизации, грубо говоря в 2 мерном случае будут концентрические окружности напоминать, а не эллипсы
+
AE
это же list comprehension
да, спасибо. Погуглил. Сам никогда такое не написал бы. В некоторых книгах, курсах используются этот формат list comprehension, видимо для сжатой записи
i
да но в ней потом сложнее найти ошибку если там что не так
AE
да но в ней потом сложнее найти ошибку если там что не так
вот это точно. Ну, и лично мне, воспринимать сложно. Может потому что, не знаком особо с данным видом представления
SA
Господа, есть какое-нибудь пособие, руководство, где циклы в подобном виде разбираются? очень сложно осозновать их. Как и функцию lambda, map
https://stepik.org/course/Практикум-по-математике-и-Python-3356/
В этом курсе и list comprehension и lambda есть. Ещё рекурсии есть.
Про map не помню.
Но его часто можно встретить, если читать решения других студентов.
В этом курсе и list comprehension и lambda есть. Ещё рекурсии есть.
Про map не помню.
Но его часто можно встретить, если читать решения других студентов.
DP
в курсе говорилось, что мол большие оценки коэффициентов в модели - это признак мультиколлинеарности. Строго говоря растет дисперсия оценок. А большие оценки могут быть следствием, а могут и не быть. Это просто нестрогий признак
АГ
Alexey
ага, меня заинтересовало - почему большие.. и что такое большие..
