Data Science | Вопросы собесов

🤔 Назови пример для мультиклассовой и мультилейбловой задачи Распознавание рукописных цифр (0–9) в задаче MNIST. Входные данные: изображение (28×28 пикселей). Выход: один из 10 классов (0, 1, 2, ..., 9).

    
        from sklearn.datasets import load_digits
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# Загружаем данные
digits = load_digits()
X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size=0.2, random_state=42)

# Обучаем модель
model = LogisticRegression(max_iter=5000, multi_class='multinomial', solver='lbfgs')
model.fit(X_train, y_train)

# Делаем предсказание
y_pred = model.predict(X_test)
print(f'Accuracy: {accuracy_score(y_test, y_pred)}'){}
    

Пример для мультилейбловой (multilabel) задачи В мультилейбловой классификации у одного объекта может быть несколько меток одновременно. Классификация жанров фильмов на основе описания. Один фильм может относиться сразу к нескольким жанрам: Фильм: "Матрица" Жанры: [боевик, научная фантастика, триллер] Используем MultiLabelBinarizer и OneVsRestClassifier:

    
        from sklearn.datasets import make_multilabel_classification
from sklearn.linear_model import LogisticRegression
from sklearn.multiclass import OneVsRestClassifier
from sklearn.preprocessing import MultiLabelBinarizer

# Генерируем синтетические мультилейбловые данные
X, y = make_multilabel_classification(n_samples=1000, n_classes=5, n_labels=2, random_state=42)

# Разделяем данные
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Обучаем мультилейбловую модель
model = OneVsRestClassifier(LogisticRegression(max_iter=5000))
model.fit(X_train, y_train)

# Делаем предсказание
y_pred = model.predict(X_test)

# Выводим пример предсказания
print(f'Пример реальных меток: {y_test[0]}')
print(f'Пример предсказанных меток: {y_pred[0]}'){}
    

Ставь 👍 и забирай 📚 Базу знаний

Онлайн-трансляция SOC Forum 2025. Регистрация открыта! SOC Forum — одно из крупнейших событий в сфере ИБ, которое проходит в рамках Российской недели кибербезопасности. ✅ Здесь встречаются эксперты, представители бизнеса и госструктур, чтобы обсудить ключевые вызовы отрасли. Событие, которое нельзя пропустить. Для тех, кто не может присутствовать лично, будет запущена онлайн-трансляция: 👌 Переключайтесь между залами. 👌 Выбирайте только актуальные для вас выступления. 👌 Задавайте вопросы спикерам в прямом эфире. 👌 Участвуйте в интерактивах. И все это не выходя из дома. Зарегистрируйтесь, и мы напомним о старте трансляции и пришлем ссылку, чтобы вы ничего не пропустили. Узнать больше #реклама 16+ registration.forumsoc.ru О рекламодателе

🤔 В каких случаях логистическая регрессия на задачах классификации будет работать лучше, чем случайный лес? Логистическая регрессия может работать лучше, чем случайный лес, когда данные линейно разделимы или когда модель должна быть интерпретируемой. Логистическая регрессия проще и менее склонна к переобучению, особенно на небольших и чистых наборах данных. Случайный лес может давать более сложные предсказания, но при этом быть менее интерпретируемым. В задачах, где важна простота и скорость работы модели, логистическая регрессия может быть предпочтительнее. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний

🤔 Где использование линейных моделей целесообразно ? Линейные модели являются одними из самых простых и широко используемых алгоритмов машинного обучения и статистики. Их использование целесообразно в различных сценариях благодаря их простоте, интерпретируемости и эффективности.Основные области и условия, при которых использование линейных моделей целесообразно: 🟠Простота и интерпретируемость Простота интерпретации: Линейные модели позволяют легко интерпретировать вклад каждого признака в предсказание. Это делает их полезными в областях, где важна объяснимость модели, таких как медицина, финансы и социология. Простота реализации: Линейные модели легко реализуются и требуют меньше вычислительных ресурсов по сравнению с более сложными моделями. 🟠Линейные зависимости Линейные отношения между признаками и целевой переменной: Линейные модели особенно эффективны, когда между признаками и целевой переменной существует линейная зависимость. 🟠Быстрое обучение и предсказание Эффективность: Линейные модели быстро обучаются и делают предсказания, что делает их подходящими для задач, требующих быстрых результатов. 🟠Высокая размерность данных Работа с большим числом признаков: Линейные модели хорошо справляются с задачами, где количество признаков велико, по сравнению с количеством наблюдений. 🟠Задачи классификации и регрессии Линейная регрессия: Используется для предсказания непрерывных значений, таких как цены на жилье, прогнозы спроса и т.д. Логистическая регрессия: Применяется для бинарной классификации, таких как определение, является ли письмо спамом, или предсказание вероятности оттока клиентов. 🚩Финансовые рынки 🟠Прогнозирование цен акций Линейные регрессионные модели могут использоваться для прогнозирования цен акций на основе исторических данных и других показателей. 🟠Кредитный скоринг Логистическая регрессия часто используется для оценки кредитоспособности клиентов, предсказывая вероятность дефолта. 🚩Маркетинг и анализ клиентов 🟠Анализ оттока клиентов Логистическая регрессия помогает предсказывать вероятность оттока клиентов на основе их поведения. 🟠Оценка эффективности рекламных кампаний Линейные модели помогают оценивать влияние различных факторов на успех рекламных кампаний. 🚩Медицина и биология 🟠Прогнозирование исходов лечения Линейные модели могут использоваться для предсказания вероятности успешного исхода лечения на основе медицинских данных. 🟠Анализ факторов риска Логистическая регрессия помогает идентифицировать факторы риска для различных заболеваний. 🚩Социология и исследование общественного мнения 🟠Анализ факторов, влияющих на удовлетворенность жизнью Линейные модели могут выявлять основные факторы, влияющие на удовлетворенность жизнью и счастье людей. 🟠Прогнозирование результатов выборов Логистическая регрессия помогает предсказывать вероятность голосования за определенного кандидата на основе демографических данных и опросов. Ставь 👍 и забирай 📚 Базу знаний

Быстрый старт в кибербез: с нуля до первой работы Ищешь перспективную профессию с быстрым ростом зарплаты? Кибербезопасность — востребованная сфера с острой нехваткой специалистов. Здесь реально выйти на доход от 70 000 уже за полгода. Даже без опыта и образования в ИТ. С чего начать и как построить карьеру, расскажут эксперты Солара на вебинаре 14 ноября в 19:00: ✅ Какие профессии доступны новичкам без опыта и как быстро их освоить. ✅ Как найти свою первую работу. ✅ Какие ошибки допускают новички в начале пути. Всем участникам подарим пошаговый план по саморазвитию и быстрому старту в кибербезопасность. Присоединяйтесь! Зарегистрироваться #реклама 16+ rt-solar.ru О рекламодателе

🤔 Что знаешь про early stopping? Early stopping — это техника регуляризации, которая завершает обучение модели, если метрика качества на валидационном наборе перестаёт улучшаться. Это предотвращает переобучение, позволяя сохранить оптимальные параметры до ухудшения обобщающей способности. Метод основан на мониторинге функции ошибки или качества модели во время каждой итерации обучения. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний

Запустите рекламу в телеграм-каналах с Яндекс Директом Перфоманс-реклама теперь в телеграм-каналах ⚡ Яндекс Директ знает, как привлечь целевую аудиторию 💰👌 Попробовать #реклама yandex.ru О рекламодателе

🤔 Как строится дерево? Дерево решений строится путем рекурсивного деления данных на подмножества на основе наилучших признаков, которые уменьшают неопределенность (например, с использованием информации энтропии или критерия Джини). Каждый узел в дереве представляет решение на основе одного признака, а ветви — возможные исходы. Процесс деления продолжается до тех пор, пока все данные в узлах не будут однородными или не будет достигнуто ограничение глубины. Листья дерева содержат финальные предсказания для данных. Ставь 👍 если знал ответ, 🔥 если нет Забирай 📚 Базу знаний

Гайд для РОПов по проведению эффективных вебинаров Как руководителям отделов продаж увеличить количество успешных сделок при том же объеме лидов с помощью вебинаров? Гайд от МТС Линк по обучающим вебинарам для отделов продаж. ✅ В гайде: - Как эффективнее прокачивать скиллы менеджеров и закрывать больше сделок за меньшие сроки; - Как организовать тренинг так, чтобы участники действительно подключились и дошли до финального модуля; - Как выявить слабого менеджера и улучшить его показатели; - Как сэкономить время на организации вебинара и пригласить всех участников в 2 клика. Бонус внутри: 5 прикладных советов по контролю внимания участников во время вебинара ✨ Скачайте гайд бесплатно по ссылке Скачать #реклама 16+ mts-link.ru О рекламодателе

🤔 Как систематическая ошибка и дисперсии связаны между собой? Это два важных понятия в статистике и машинном обучении, которые вместе с шумом описывают общую ошибку предсказаний модели. Они часть компромисса, известного как "bias-variance tradeoff", который является центральным в построении эффективных предиктивных моделей. Рассмотрим их связь и взаимное влияние. 🚩Систематическая ошибка (Bias) Машинного обучения — это ошибка, возникающая из-за ошибочных предположений в алгоритме обучения. Высокая систематическая ошибка указывает на то, что модель слишком упрощена и не улавливает основные закономерности данных (недообучение). Примером модели с высокой систематической ошибкой может быть линейная регрессия, примененная к данным, которые фактически обладают сложной нелинейной структурой. 🚩Дисперсия (Variance) Показывает, насколько предсказания модели чувствительны к небольшим изменениям в обучающем наборе данных. Модель с высокой дисперсией хорошо работает на обучающих данных, но плохо генерализует предсказания на новых данных (переобучение). Примером модели с высокой дисперсией может быть сложная нейронная сеть, которая "запоминает" обучающие данные, включая шум и аномалии. 🚩Взаимосвязь между систематической ошибкой и дисперсией Они через компромисс, который необходимо достичь при построении моделей. Уменьшение одного из этих компонентов часто приводит к увеличению другого: Уменьшение систематической ошибки обычно ведет к более сложным моделям, которые лучше аппроксимируют данные, но это может привести к увеличению дисперсии, делая модель более чувствительной к флуктуациям в данных. Уменьшение дисперсии обычно достигается за счет упрощения модели, что может увеличить систематическую ошибку, так как модель становится неспособна захватывать сложные закономерности. Ставь 👍 и забирай 📚 Базу знаний