S
Ребята, а как в отдельный список записать все что в скобочках находится?
Size: a a a
2021 March 29
3
S
от души
I
Как это лучше сделать? Через различные вариации groupby.cumcount не получается
В голову только приходит такое:
-делаешь crosstab, где колонками выступают значения из age_brackets с функцией count
ct=pd.crosstab(index='reg-dttm', columns='age_bruckets', aggfunc='count').sort_index()
-ct.cumsum()
-делаешь crosstab, где колонками выступают значения из age_brackets с функцией count
ct=pd.crosstab(index='reg-dttm', columns='age_bruckets', aggfunc='count').sort_index()
-ct.cumsum()
I
Но, возможно, есть лучше варианты))
2021 March 30
IS
Всем привет! Делаю прогонку модели по разным наборам признаков. Получается, что модели с лучшими метриками хуже чувствуют суть физического процесса. А модели с худшими метриками неплохо понимают процесс, но имеют сдвиг влево. Вечная отрицательная ошибка. Интуитивно кажется, что можно как-то сдвинуть модель вправо. Но как это сделать я не понимаю. Подскажите, пожалуйста, в какую сторону рыть дальше
AK
Можно как-нить проще избавиться от date и получить сумму по всем датам в df?
PZ
Всем привет! Делаю прогонку модели по разным наборам признаков. Получается, что модели с лучшими метриками хуже чувствуют суть физического процесса. А модели с худшими метриками неплохо понимают процесс, но имеют сдвиг влево. Вечная отрицательная ошибка. Интуитивно кажется, что можно как-то сдвинуть модель вправо. Но как это сделать я не понимаю. Подскажите, пожалуйста, в какую сторону рыть дальше
Очевидно, что сдвиг обусловлен сутью алгоритма, а вы его даже не назвали
IS
Очевидно, что сдвиг обусловлен сутью алгоритма, а вы его даже не назвали
Алгоритм во всех моделях один. Менял только группы признаков. Модель ElasticNet
PZ
По-моему, совсем не интуитивно сдвинуть влево. Ведь это означает нужно лучше понять суть процесса и отреагировать раньше
PZ
А. Так надо вправо, то есть замедлить реакцию.
PZ
А почему линейная регрессия вообще должна отображать суть процесса? Может тут выгоднее понять процесс , вывести вручную формулы и подобрать уже scipy.optimize.curve_fit?
IS
Изначально я строил просто baseline на линреге. В итоге получил результаты, которые меня устраивают и решил оптимизировать именно линейную регрессию. Зависимости известны. Но они достаточно сложны для описания парой формул
IS
А почему линейная регрессия вообще должна отображать суть процесса? Может тут выгоднее понять процесс , вывести вручную формулы и подобрать уже scipy.optimize.curve_fit?
Суть процесса я понимаю. Можно какую-то функцию найти под признаки, которые наиболее сильно влияют, приближающую прогноз к факту. Просто я никогда с таким не сталкивался. Как это обычно реализуют? В pipeline добавляют самописную функцию?
IU
Всем привет! Подскажите, пожалуйста, есть ли какие то библиотеки, с помощью которых можно расставить знаки препинания в тексте на русском языке?
S
Еще вопрос....а как-то можно прописать логику, чтобы у меня все что в ячейке на кириллице собиралось в отдельный список? По количеству слов настроить не смогу, так как количество слов на кириллице всегда разное
KM
регулярка поможет и apply по столбцу. но работать долго будет
S
регулярка поможет и apply по столбцу. но работать долго будет
ага, что-то типо лемматизатора найти и с применением apply в отдельный столбец