Please enable JavaScript.

Coggle requires JavaScript to display documents.

Machine Learning 2021 - Coggle Diagram

- - - - Какими данными я располагаю? Структурированный, неструктурированный,
        категориальный, числовой.
      - Есть ли недостающие значения? Нужно удалить их или заполнить?
      - Каковы признаки(feature variables) и целевые
        переменные(target
        variables)? (Например, для прогнозирования сердечных заболеваний характерными признаками могут быть возраст человека, его вес, средняя частота сердечных сокращений и уровень физической
        активности. А целевой переменной будет то, есть ли у них
        сердечные заболевания.
      - Есть ли вопросы, которые стоит задать эксперту в предметной области? (Например, сможет ли врач по сердечным заболеваниям пролить свет на набор данных по сердечным заболеваниям?)
    - - Вменение функций: заполнение недостающих значений (
        модель машинного обучения не может учиться на данных, которых там нет).
        
        Однократное вменение: заполнение средним значением, медианой столбца.
        
        KNN (k-ближайшие соседи): заполните данные значением из
        другого аналогичного примера.
        
        Многие другие, такие как случайное вменение, последнее наблюдение, перенесенное вперед (для временных рядов), движущееся окно, наиболее
        частые.
        
        Множественное вменение: моделируйте другие пропущенные значения и
        заполняйте их тем, что находит ваша модель.
      - Кодирование признаков (превращение значений в числа). Модель машинного обучения требует, чтобы все значения были числовыми.
        
        Одна горячая кодировка: превратите все уникальные значения в списки 0 и 1, где целевое значение равно 1, а остальные-O. Например, с цветами автомобиля зеленый, красный, синий, цветовая характеристика зеленого автомобиля будет представлена как [1, 0, 0], а красный-как [0, 1, 0].
        
        LabelEncoder: превращение меток в различные числовые значения. Например, если ваши целевые переменные-это разные животные, такие как собака, кошка, птица, они могут стать 0, 1, 2 соответственно.
        
        Кодирование встраивания: изучите представление среди всех различных точек данных. Например, языковая модель это представление о том, как разные слова соотносятся друг с другом. Вложения также становятся все более доступными для структурированных (табличных) данных).
      - Нормализация (масштабирование) или стандартизация признаков. Когда ваши числовые переменные находятся в разных масштабах, некоторые алгоритмы машинного обучения работают не очень хорошо. Масштабирование и стандартизация помогают исправить это.
        
        Масштабирование объектов (также называемое нормализацией) сдвигает ваши значения так, чтобы они всегда находились между 0 и 1. Это делается путем вычитания минимального значения и деления на Макс минус мин. Например, 1 и 4 ванные комнаты станут чем-то вроде 0,2 и 0,8 соответственно (между 0 и 1, но числовое соотношение все еще существует).
        
        Стандартизация признаков стандартизирует все значения, поэтому они имеют среднее значение 0 и единичную дисперсию. Это происходит путем вычитания среднего и деления на стандартное отклонение этого конкретного признака. Это означает, что значения не заканчиваются между 0 и 1 (их диапазон равен без крышки). Стандартизация более устойчива к выбросам, чем масштабирование объектов.
      - Разработка функций: преобразование данных в (потенциально) более осмысленные представления за счет добавления знаний о контроллере домена.
        
        Разложите, например, поворот даты (например, 2020-06-18 20: 16: 24) в час дня, день недели, день месяца, is_holiday и т. д.
        
        Особенности индикатора: Использование других частей данных для обозначения чего-то потенциально значимого.
        
        Если вы анализируете источники трафика из интернета, вы можете - добавить is_paid_traffic в качестве функции для рекламы, которая была оплачена.
        
        Удовлетворяет ли конкретная выборка более чем 1 критерию? Например, если бы вы анализировали данные о продажах автомобилей, имеет ли автомобиль менее 100 000 км пробега, является ли он автоматическим и моложе 10 лет? Возможно, вы знаете по опыту, что эти автомобили, как правило, стоят больше. Вы могли бы сделать специальную функцию под названием under_100km_auto_under_10yo.
        
        Создать X_is_missing характеристика для везде, где в колонке "х",
        содержит пропущенное значение.
        
        Дискретизация (превращение больших групп в меньшие).
        
        Для числовых переменных, скажем, возраста, вы можете переместить его в ведра, такие как over_50 или under_50. Или 21-30, 31-40 и т. д. Этот процесс также известен как биннинг (помещение данных в разные ячейки").
        
        Для категориальных переменных, таких как цвет автомобиля, это может - означает объединение таких цветов, как "светло-зеленый", "темно-зеленый" и "лайм-зеленый", в один "зеленый" цвет.
        
        Скрещивание и взаимодействие признаков, другими словами, объединение двух или более признаков.
        
        Разница между двумя элементами, например, с помощью
        house_last_sold и current_date используется, чтобы сделать time_on_market.
      - Выбор объектов: выбор наиболее ценных объектов вашего набора данных для моделирования. Потенциально сокращая время переобучения и обучения (меньше общих данных и меньше избыточных данных для обучения) и повышая точность.
        
        Характеристика важности (после моделирования). Подгонка модели к набору - из данных, затем проверьте, какие особенности были к результатам, удалите наименее важные.
        
        Методы обертки, такие как генетические алгоритмы и рекурсивное устранение признаков, включают создание больших подмножества параметров функций, а затем удаление тех, которые не имеют значения. Они потенциально могут найти большой набор функций, но также могут потребовать большого количества вычислительного времени. Что это значит.
        
        Сокращение размерности: общий метод сокращения размерности, PCA или анализ главных компонент, берет большее число измерений (объектов) и использует линейную алгебру, чтобы уменьшить их до меньшего количества измерений. Например, предположим, что у вас есть 10 числовых функций, вы можете запустить PCA, чтобы уменьшить его до 3.
      - Работа с дисбалансами: есть ли у ваших данных 10 000 примеры одного класса, но только 100 примеров другого?
        
        Используйте пакет scikit-learn-contrib imbalanced-learn (a-scikit-learn совместимая библиотека Python для работы с несбалансированными наборами данных).
        
        Используйте SMOTE (метод избыточной выборки синтетического меньшинства) который создает синтетические образцы вашего младшего класса для - попробуй выровнять игровое поле. реализация SMOTE, содержащегося в пакете scikit-learn-contrib imbalanced-learn.
        
        Соберите больше данных (если сможете).
        
        Полезным (и техническим) документом для рассмотрения является "обучение на основе несбалансированных данных". Вы можете использовать это как отправную точку соединения, чтобы перейти к следующему.
    - - Набор валидации (обычно 10-15% данных): на это настраиваются гиперпараметры модели.
      - Тестовый набор (обычно 10-15%): по нему оценивается итоговая производительность моделей. Если вы сделали это правильно, то, надеюсь, результаты теста дадут хорошее представление о том, как модель должна работать в реальном мире. Не используйте этот набор данных для настройки модели.
      - Обучающий набор (обычно 70-80% данных): модель учится на этом.
  - - - Какие существуют проблемы конфиденциальности?
      - Эти данные общедоступны?
      - Какие источники данных уже существуют?
      - Где мы должны хранить эти данные?
      - Какую проблему мы пытаемся решить?
    - - Структурированные данные: данные, которые отображаются в табличном формате (стиль строк и столбцов, как в электронной таблице Excel). Может содержать различные типы данных, например, числовые, категориальные, временные ряды.
        
        Численный
        
        Любое непрерывное значение, где разница между ними
        имеет значение. Например, при продаже домов 107 850 долларов -это больше, чем 56 400 долларов.
        
        Порядковый
        
        Данные, которые имеют порядок, но расстояние между значениями неизвестно. Например, такие вопросы, как: как бы вы оценили свое здоровье от 1 до 5? 1 Быть бедным, 5 быть здоровым. Вы можете ответить 1, 2, 3, 4 или 5, но расстояние между каждым значением не обязательно означает, что ответ 5 в 5 раз лучше, чем ответ 1.
        
        Номинальный / категориальный
        
        То одно, то другое (взаимоисключающее). Например, для продажи автомобилей цвет-это категория. Машина может быть синей, но не белой. Порядок не имеет значения.
        
        Временные ряды
        
        Данные во времени. Например, историческая стоимость продажи бульдозеров с 2012-2018 годов.
      - Неструктурированные данные: данные без жесткой структуры (изображения, видео, текст на естественном языке, речь).
  - - - Это происходит, когда ваша модель работает не так хорошо, как - вы хотели бы получить свои данные. Попробуйте тренироваться дольше или на более продвинутой модели.
    - - Это происходит, когда ваши потери при проверке (как ваша модель работает с набором данных проверки, чем ниже, тем лучше) начинают увеличиваться. Или, если у вас нет набора валидации, это происходит, когда модель работает гораздо лучше на обучающем наборе, чем на тестовом наборе (например, точность 99% на обучающем наборе, точность 67% на тестовом наборе). Фиксируйте с помощью различных методов регуляризации.
      - Регуляризация: набор методов предотвращения / уменьшения переобучения.
        
        Ранняя остановка: остановите обучение вашей модели до того, как потеря валидации начнет слишком сильно увеличиваться или, в более общем плане, любая другая метрика перестанет улучшаться. Ранняя остановка co обычно реализуется в виде модели обратного вызова.
        
        Увеличение данных: манипулируйте своим набором данных искусственными способами, чтобы сделать его более трудным для изучения. Например, если вы имеете дело с изображениями, произвольно вращайте, наклоняйте, переворачивайте и регулируйте высоту ваших изображений. Это заставляет вашу модель изучать сходные паттерны в разных стилях одного и того же изображения (сложнее). Примечание: поскольку это может быть трудоемким вычислением, рекомендуется делать это в памяти. См. такие функции, как генератор данных изображений в Keras или преобразования в touch vision.
        
        Преобразование изображения в PyTorch
        
        Увеличение изображения в Keras/TensorFlow
        
        EDA (easy data augmentation): увеличение текста с помощью Python (повышение производительности задач классификации текста)
        
        Текстовая атака: фреймворк для состязательных атак, тренинг по наращиванию данных и моделированию в НЛП.
        
        Выпадение: случайным образом удаляйте части вашей модели, чтобы остальная часть стала лучше.
        
        Пакетная нормализация: стандартизация входных данных (нулевое среднее и нормализация), а также добавление двух параметров (бета, сколько смещать параметры для каждого слоя и Эпсилон - чтобы избежать деления на ноль), прежде чем они перейдут в следующий слой. Это часто приводит к более высокой скорости обучения, так как оптимизатор имеет меньше параметров для обновления. Может быть заменой отсева в некоторых сетях.
        
        Регуляризация L1 (лассо) и L2 (гребень): регуляризация L1 устанавливает ненужные коэффициенты признаков в 0 (выполняет функцию - выбор того, какие функции наиболее существенны, а какие нет, полезен для объяснимости модели). L2 содержит функции модели (не будет устанавливать их в 0).
    - - Трансфертное обучение
        
        Возьмите знания, полученные одной моделью, и используйте их вместе со своими. Дает вам возможность использовать модели SOTA (state of the art) для решения ваших собственных проблем.
        
        Полезно, если у вас нет большого количества данных или обширных компьютерных ресурсов. Используйте такие ресурсы, как TensorFlow Hub или PyTorch Hub для широких вариантов моделей и Обнимающих лицевых трансформаторов (модели НЛП) и Detection 2 (модели компьютерного зрения) для конкретных моделей.
        
        PyTorch Hub
        
        HuggingFace transformers
        
        TensorFlow Hub
        
        Detectron2
      - Активное обучение
        
        Также его называют обучением "человек в петле". Эксперт-человек взаимодействует с моделью и обновляет метки для образцов, в отношении которых модель наиболее неопределенна.
        
        Пример того, как Nvidia использует активное обучение для своих моделей самоуправляемых автомобилей.
      - Онлайн-обучение
        
        Ваши данные постоянно обновляются, и вы постоянно тренируете на них новые модели. Каждый шаг обучения обычно быстрый и дешевый (в отличие от пакетного обучения). Работает в производстве и постоянно учится.
      - Ансамбль
        
        На самом деле это не форма обучения, а скорее комбинирование алгоритмов, которые уже каким-то образом научились получать лучшие результаты. Например, использование "мудрости толпы".
      - Пакетное обучение
        
        Все ваши данные существуют в большом статическом хранилище, и вы тренируете модель на нем. Вы можете обучать новую модель один раз в месяц, как только получите новые данные. Обучение может занять некоторое время и делается не часто ("не забивай это"). Работает в производстве без обучения (хотя может быть переучен позже).
    - - Дисциплинированный подход к гиперпараметрам нейронных сетей Лесли Смита. Охватывает скорость обучения co, размер партии, импульс, распад веса и многое другое.
      - Другие гиперпараметры, которые вы можете настроить
        
        Количество слоев (сети глубокого обучения)
        
        Размер пакета (сколько примеров данных ваша модель видит
        одновременно). Используйте самый большой размер пакета, который вы можете поместить в память графического процессора. Если вы сомневаетесь, используйте размер партии 32
        
        Количество деревьев (алгоритмы дерева решений)
        
        Многое другое ... зависит от алгоритма, который вы используете.
        Поиск "[algorithm_name] настройка гиперпараметра".
        
        Количество итераций (сколько раз модель проходит
        через данные). Примечание: вместо настройки итераций используйте раннюю остановку.
      - Установка скорости обучения (часто самого важного гиперпараметра), как правило, высокая скорость обучения = алгоритм быстро адаптируется к новым данным, низкая скорость обучения = алгоритм медленнее адаптируется к новым данным (например, для обучения передаче).
        
        Циклическая скорость обучения: динамическое изменение скорости обучения - вверх и вниз между некоторым порогом и потенциально ускоренным обучением.
        
        Планирование скорости обучения (использование Adam optimizer) включает в себя - медленное снижение скорости обучения по мере того, как модель учится больше (приближается к конвергенции).
        
        Поиск оптимальной скорости обучения: обучите модель за несколько сотен итераций, начиная с очень низкой скорости обучения (например, 10e-6), и медленно увеличивайте ее до очень большого значения (например, 1). Затем постройте график зависимости потерь от скорости обучения (используя логарифмическую шкалу для скорости обучения), вы должны увидеть U - образную кривую, оптимальное обучение находится примерно в 1-2 зарубках слева от нижней части U-образной кривой.
    - - Контролируемые алгоритмы
        
        Линейная Регрессия
        
        Нарисуйте линию, которая наилучшим образом соответствует данным, разбросанным на графике. Производит непрерывные переменные (например, высота в дюймах).
        
        Логистическая Регрессия
        
        Предсказывает двоичный результат на основе ряда независимых переменных. Например, если вы пытаетесь предсказать, есть ли у кого-то болезнь сердца или нет, основываясь на его параметрах здоровья.
        
        Деревья решений и случайные леса
        
        Может быть использован для классификации и регрессии (очень ценный алгоритм для структурированных данных). Деревья решений разделяют данные на основе таких критериев, как "больше 50" и "средняя частота сердечных сокращений ниже 65", в конечном итоге достигая точки, когда данные больше не могут быть разделены (вы можете определить это). Случайные леса представляют собой комбинацию многих деревьев решений, эффективно использующих и комбинирующих выбор многих моделей (этот метод использования комбинации моделей известен как ансамбль).
        
        Посмотрите отличный способ визуализации деревьев решений с помощью explained.ai
        
        к-ближайших соседей
        
        Найдите примеры "К", которые наиболее похожи друг на друга. Затем, учитывая новый образец, с каким новым образцом он наиболее тесно связан?
        
        Метод Опорных Векторов (SVM)
        
        Может использоваться для классификации или регрессии. Попробуйте найти наилучший способ разделения точек данных с помощью нескольких плоскостей (называемых Гиперплоскостями). Представьте себе бегущую дорогу - через город с красными машинами слева и зелеными машинами справа, СВМ-это дорога. С большим количеством данных вам может понадобиться больше измерений (больше дорог под разными углами и автомобилей на разных высотах).
        
        AdaBoost/Gradient Boosting Machines(также известные
        как boosting)
        
        Может использоваться для классификации или регрессии. Возникает вопрос: Можно ли превратить ряд слабых учеников в сильных? Например, обучите ряд слабых учеников, чья работа состоит в том, чтобы улучшать друг друга (еще один пример ансамблевого метода, объединяющего несколько более слабые модели для создания лучшей).
        
        XGBoost
        
        CatBoost
        
        LightGBM
        
        Нейронные сети (также называемые глубоким обучением)
        
        Может использоваться для классификации или регрессии. Принимает ряд входов, манипулирует входами с помощью линейных (точечное произведение между Весами и входами) и нелинейных функций (функция активации). Сделайте это несколько раз (по крайней мере, один раз для каждого нейрона в модели). Важность линейных и нелинейных функций (прямых и непрямых линий) означает, что нейронные сети могут использовать эту комбинацию для оценки практически чего угодно.
        
        Рекуррентные нейронные сети (обычно используемые для
        моделирования последовательностей).
        
        Трансформаторные сети (могут использоваться для зрения и текста, начиная заменять РНН).
        
        Сверточные нейронные сети (обычно используемые для
        компьютерного зрения).
      - Неконтролируемые алгоритмы
        
        Визуализация и уменьшение размерности
        
        Автоэнкодеры: изучите низкоразмерное кодирование данных. Например, сжать изображение размером 100 пикселей в 50 пикселей представляют (примерно) ту же информацию, что и 100 пикселей.
        
        t-распределенное стохастическое соседнее вложение (t-SNE): хорошо подходит для визуализации высокомерных данных в 2D или 3D пространстве.
        
        Анализ главных компонент (PCA): сокращение данных из
        большего числа измерений в меньшие измерения при попытке сохранить дисперсию.
        
        Обнаружение аномалий
        
        Автоэнкодер: используйте автоэнкодер для уменьшения размерности входов системы, а затем попытайтесь воссоздать эти входы в пределах некоторого порога. Если рекреации не могут соответствовать порогу, может быть какой-то выброс.
        
        Классификация по одному классу: обучите модель только по одному классу
        (например, нормальные события трафика компьютерной сети, которые обычно в изобилии), если что-то лежит вне этого класса, это может быть аномалией. Алгоритмы для этого включают в себя одноклассовое K-среднее, одноклассовое SVM (машина опорных векторов), изолирующий лес и локальный фактор выбросов.
        
        Кластеризация
        
        K-означает кластеризацию: выберите "k" количество кластеров, каждый кластер получает центральный узел (называемый центроидом) случайным образом, и с каждой итерацией центральные узлы пытаются удалиться друг от друга. Как только центроиды перестают двигаться, каждому образцу присваивается значение, эквивалентное ближайшему центроиду.
  - - - Классификация
        
        Accuracy
        
        Precision
        
        Recall
        
        F1
        
        Confusion matrix
        
        Mean average precision (object detection)
      - Метрика на основе задач (создайте метрику на основе вашей конкретной проблемы). Например, для самоуправляемых автомобилей вам может понадобиться знать количество отключений".
      - Регрессия
        
        MSE (среднеквадратичная ошибка)
        
        MAE (средняя абсолютная ошибка)
        
        RA2 (r-квадрат)
    - - Какие функции внесли наибольший вклад в модель? Должны ли они быть удалены? Полезно для объяснения модели, например, сказать кому-то: "количество спален наиболее важно при прогнозировании цены дома".
    - - Сколько времени уходит на обучение модели? Возможно ли это?
      - Сколько времени занимает умозаключение? Подходит ли он для производства?
  - - - PyTorch Serving (TorchServe)
      - Платформа Google Al: сделайте вашу модель доступной в качестве REST API
      - Обслуживание тензорного потока (часть TFX, Tensor Flow Extended)
      - Sagemaker
- - - - У вас есть данные, но нет меток, модель пытается найти шаблоны в данных, не имея на что ссылаться. Например, у вас есть 50 000 транзакций, и 49 997 из них похожи, но 3 из них совершенно диковинны, какие 3? Такого рода проблемы называются обнаружением аномалий. Другие распространенные проблемы включают кластеризацию и уменьшение размерности (PCA).
    - - Агент (алгоритм) выполняет действия в окружающей среде и получает вознаграждение или наказание в зависимости от того, были ли эти действия благоприятными или нет. Например, агент может быть ChessPlayerX (алгоритм игры в шахматы), среда-виртуальная шахматная доска, а действия-движущиеся фигуры. Если фигура перемещается в отрицательную позицию, аглоритм наказывается, если он берет фигуру противника, он получает вознаграждение. Стратегия, которую агент изучает (основываясь на действиях, за которые он получает вознаграждение), называется политикой.
    - - У вас есть данные и метки. Модель пытается изучить взаимосвязь между данными и метками. Например, у вас есть 10 000 фотографий кошек и собак (по 5000 каждая) и метки, для которых фотография содержит какое животное (фото 1 = собака, Фото 2 = кошка). Работает и для чисел, например, 10 000 домов и их продажная цена. Используйте информацию о домах, чтобы попытаться предсказать цену продажи.
    - - Возьмите знания из одной модели и используйте их в своей собственной. Например, возьмите весь текст из Википедии, изучите отношения между словами и используйте эти базовые отношения, чтобы помочь вам построить свой классификатор страховых котировок.
  - - - Многоклассовая классификация
        
        Светофор зеленый, желтый или красный?
        
        Какая порода собаки изображена на этой фотографии?
      - Классификация с несколькими метками
        
        Какие предметы содержит эта фотография?
        
        О каких темах идет речь в этом видео на YouTube?
      - Бинарная классификация
        
        Это фотография кошки или собаки?
        
        Это спам по электронной почте или не спам?
    - - Accuracy
        
        Примечание: ненадежно, когда количество выборок различается. например, 9999 примеров класса А и 1 пример класса в, модель, которая предсказывает все АИС класса с точностью 99,999%. В этом случае вместо этого используйте точность и отзыв.
        
        Сколько из 100 примеров я получу правильно?
      - оценка f1 (комбинация точности и отзыва)
        
        Отзыв
        
        Отношение истинных положительных предсказаний, также известное как чувствительность. Истинно Положительные/(Истинно Положительные + Ложно Негативы). Модель с отзывом 1.0 не имеет ложных негативов.
        
        Precision/Recall tradeoff
        
        Повышение точности уменьшает отзыв и наоборот. Если вы решите оптимизировать для одного или другого, вам придется решить, лучше ли меньше ложных негативов (более высокий отзыв) или меньше ложных срабатываний (более высокая точность). Например, если вы предсказываете наличие рака на рентгеновском снимке, то лучше ли получить ложноположительные или ложноотрицательные результаты? Если кто-то скажет: "нам нужно 95%+ отзыв", спросите: "с какой точностью?".
        
        Precision
        
        Точность положительных прогнозов. Какая доля положительных предсказаний верна? Правда Положительные/(Истинно Положительные + Ложных Срабатываний). Модель с точностью 1,0 не имеет ложных срабатываний.
        
        Кривая точности / отзыва
        
        Постройте график зависимости точности от отзыва при различных порогах классификации. Позволяет выбрать значение точности при заданном значении отзыва (при увеличении одного значения другое уменьшается).
      - Матрица неточностей
        
        Истинные плюсы и минусы, ложные плюсы и минусы замышлялись друг против друга. Полезно видеть, где модель "путается", например, как часто она предсказывает правильные и неправильные классы.
      - ROC кривая/площадь под кривой (AUC)
        
        Кривая рабочей характеристики приемника (ROC) является распространенным способом оценки бинарных классификаторов. Он строит ложноположительную ставку против истинной положительной ставки (отзыв). Площадь под кривой (AUC) - это пространство под кривой ROC. Идеальный классификатор будет иметь AUC 1,0 (это значение можно использовать для сравнения различных классификаторов).
        
        Примечание: как правило, если у вас не так много положительных примеров или если вы больше заботитесь о ложных срабатываниях, чем о ложных негативах, вы должны предпочесть кривую точности/отзыва. А если нет, то используйте ROC/AUC.
  - - - Сократите количество входных данных в модель, сопоставив объекты в пространстве более низких измерений. Например, предположим, что у вас есть 100 входов (что может быть слишком много для вашей модели), как вы можете свести это к 10 наиболее важным входам? Одним из методов для этого является анализ главных компонентов (PCA).
      - Обучение представлению/обучение функции (Примечание: это может быть лучше на своей собственной ветви). Изучите основные функции сбора данных для использования в последующей задаче. Например, пусть аглоритм прочитает весь текст целиком. Википедия формирует представление о том, как слова должны выглядеть в контексте других (строит языковую модель). Как вы выбираете (или изучаете) наилучшие функции/представления данных, на которых может учиться модель машинного обучения?
  - - - Given учитывая последовательность английского текста, переведите его на французский.
      - Постройте устройство, которое реагирует на речевые команды (Алекса). Речь входит (как последовательность вибраций в воздухе), преобразуется в текст и интерпретируется как команда. Затем еще одна последовательность (в виде сгенерированного голоса) воспроизводится.
  - - - Группируйте клиентов бизнеса по их покупкам. Ярлыки для групп не даются (что делает его неконтролируемой проблемой). После того, как группы найдены, метки могут быть добавлены.
  - - - MSE (среднеквадратичная ошибка)
        
        Делает выбросы более заметными. Используйте, если скидка 10% более чем в два раза хуже, чем скидка 5%.
      - RA2 (r-квадрат)
        
        Насколько хорошо подходит моя модель? Идеальная модель набирает 1,0 балла, модель, предсказывающая среднее значение каждой метки, получает 0.
      - MAE (средняя абсолютная ошибка)
        
        Все ошибки на той же шкале. Е. Г. если пытаться предсказать 100, предсказание 99 - это та же ошибка, что и предсказание 101.
    - - Учитывая количество спален, Количество ванных комнат и расположение дома, спрогнозируйте цену продажи данного дома.
      - Сколько будет стоить биткоин завтра?