Анализ данных (Data analysis)

💡 Как в условиях недостатка данных улучшить качества классификатора



Одна из основных проблем человека, который занимается машинным обучением, — данные. Исследователи сталкиваются с плохим качеством данных и/или их отсутствием. Рассмотрим способы улучшение метрик классификатора в условиях малого количества признаков.



В машинном обучении одним из основных критериев успеха является правильная предобработка данных. В условиях отсутствия дополнительных факторов качество классификатора можно улучшить за счет обеспечения монотонности целевой переменной от признаков, а также за счет увеличения порядка пространства признаков.



Цель кейса: определить, куда доставлялся заказ, основываясь на двух признаках: времени размещения и времени доставки.



Что делаем:



- Преобразовываем время к удобному формату

- Строим графики для генерации гипотез

- Строим классификатор №1 и визуализируем результаты

- Обеспечиваем монотонность целевой переменной, строим классификатор №2.1. Увеличиваем порядок пространства признаков, строим классификатор №2.2.

- Обеспечиваем монотонность целевой переменной и увеличиваем порядок пространства признаков одновременно, строим классификатор №3, наблюдаем улучшение метрик.



➡️ Читать дальше



@data_analysis_ml