Почему может быть предпочтительнее использовать меньшее количество предикторов?
▫️Использование нерелевантных признаков увеличивает тенденцию модели к переобучению, потому что эти признаки вносят больше шума. ▫️Когда две переменные скоррелированы, модель может быть сложнее интерпретировать. ▫️Может возникнуть проклятие размерности. ▫️Вырастают вычислительные затраты.
В целом, использование меньшего числа предикторов часто улучшает обобщающую способность модели. Это означает, что модель лучше работает с новыми данными, не участвовавшими в обучении.
Почему может быть предпочтительнее использовать меньшее количество предикторов?
▫️Использование нерелевантных признаков увеличивает тенденцию модели к переобучению, потому что эти признаки вносят больше шума. ▫️Когда две переменные скоррелированы, модель может быть сложнее интерпретировать. ▫️Может возникнуть проклятие размерности. ▫️Вырастают вычислительные затраты.
В целом, использование меньшего числа предикторов часто улучшает обобщающую способность модели. Это означает, что модель лучше работает с новыми данными, не участвовавшими в обучении.
#машинное_обучение
BY Библиотека собеса по Data Science | вопросы с собеседований
Warning: Undefined variable $i in /var/www/tg-me/post.php on line 283
That growth environment will include rising inflation and interest rates. Those upward shifts naturally accompany healthy growth periods as the demand for resources, products and services rise. Importantly, the Federal Reserve has laid out the rationale for not interfering with that natural growth transition.It's not exactly a fad, but there is a widespread willingness to pay up for a growth story. Classic fundamental analysis takes a back seat. Even negative earnings are ignored. In fact, positive earnings seem to be a limiting measure, producing the question, "Is that all you've got?" The preference is a vision of untold riches when the exciting story plays out as expected.
Библиотека собеса по Data Science | вопросы с собеседований from ua