📌Промт дня: анализ важности признаков после обучения модели
После того как вы обучили модель (особенно если это ансамблевый метод вроде Random Forest или градиентного бустинга), важно понять, какие признаки влияют на предсказания.
Это помогает: — интерпретировать модель, — упростить её (feature selection), — обнаружить «лишние» или дублирующие признаки.
Промт:
Проанализируй важность признаков обученной модели. Выполни следующие шаги:
— Извлеки и отсортируй признаки по степени важности. — Построй barplot с топ-10 признаками. — Проверь, есть ли признаки с нулевой или близкой к нулю важностью — возможно, их можно удалить. — Если модель поддерживает SHAP / permutation importance — добавь соответствующую визуализацию. — Сформулируй гипотезы: почему те или иные признаки оказались важны? Как это согласуется с предметной областью?
Рекомендованные инструменты: ✅model.feature_importances_ — в sklearn-моделях, XGBoost, LightGBM ✅eli5, shap, sklearn.inspection.permutation_importance — для глубокой интерпретации ✅seaborn.barplot, matplotlib — для наглядных графиков
📌Промт дня: анализ важности признаков после обучения модели
После того как вы обучили модель (особенно если это ансамблевый метод вроде Random Forest или градиентного бустинга), важно понять, какие признаки влияют на предсказания.
Это помогает: — интерпретировать модель, — упростить её (feature selection), — обнаружить «лишние» или дублирующие признаки.
Промт:
Проанализируй важность признаков обученной модели. Выполни следующие шаги:
— Извлеки и отсортируй признаки по степени важности. — Построй barplot с топ-10 признаками. — Проверь, есть ли признаки с нулевой или близкой к нулю важностью — возможно, их можно удалить. — Если модель поддерживает SHAP / permutation importance — добавь соответствующую визуализацию. — Сформулируй гипотезы: почему те или иные признаки оказались важны? Как это согласуется с предметной областью?
Рекомендованные инструменты: ✅model.feature_importances_ — в sklearn-моделях, XGBoost, LightGBM ✅eli5, shap, sklearn.inspection.permutation_importance — для глубокой интерпретации ✅seaborn.barplot, matplotlib — для наглядных графиков
In many cases, the content resembled that of the marketplaces found on the dark web, a group of hidden websites that are popular among hackers and accessed using specific anonymising software.“We have recently been witnessing a 100 per cent-plus rise in Telegram usage by cybercriminals,” said Tal Samra, cyber threat analyst at Cyberint.The rise in nefarious activity comes as users flocked to the encrypted chat app earlier this year after changes to the privacy policy of Facebook-owned rival WhatsApp prompted many to seek out alternatives.
However, analysts are positive on the stock now. “We have seen a huge downside movement in the stock due to the central electricity regulatory commission’s (CERC) order that seems to be negative from 2014-15 onwards but we cannot take a linear negative view on the stock and further downside movement on the stock is unlikely. Currently stock is underpriced. Investors can bet on it for a longer horizon," said Vivek Gupta, director research at CapitalVia Global Research.
Библиотека дата сайентиста | Data Science Machine learning анализ данных машинное обучение from tr
