Но как же оптимизировать money_precision@5?
На самом деле из поста выше можно получить, что:
money_precision@5 = precision@5 - 0.28/p
Если мы прогнозируем вероятность покупки товара (~precision@5), то нам просто нужно завысить вес ошибки для дорогих товаров пропорционально 0.28/р. Для этого можно взять вес ошибки, например как е^(alpha * p)
Кстати, в рекомендательных системах часто точно также взвешивают наблюдения по давности взаимодействия. Чтобы давнее взаимодействие юзера с товаром имело меньший вес, чем новое
Вывод
Приближение loss функции к реальности можно добиться за счёт взвешивания наблюдений (sample_weight)
На самом деле из поста выше можно получить, что:
money_precision@5 = precision@5 - 0.28/p
Если мы прогнозируем вероятность покупки товара (~precision@5), то нам просто нужно завысить вес ошибки для дорогих товаров пропорционально 0.28/р. Для этого можно взять вес ошибки, например как е^(alpha * p)
Кстати, в рекомендательных системах часто точно также взвешивают наблюдения по давности взаимодействия. Чтобы давнее взаимодействие юзера с товаром имело меньший вес, чем новое
Вывод
Приближение loss функции к реальности можно добиться за счёт взвешивания наблюдений (sample_weight)