Machine Learning interview questions

И в целом можно это еще написать, наверное, как минус 1, минус 3, да?

Для каждого из этих algorithmов какое будет распределение выходов?

Вообще какие у нас есть способы аккодирования? Какие у них плюсы и минусы?

А как таргет-инкодинг в Кэрбусте работает, если помнишь?

А на тестовую выборку что мы подставляем? Вот на трейне там закодируем. Так, на тестовую что подставляем?

А, например, если мы хотим закодировать категориальные фичи, там, вне рассетки какой-нибудь, как это можно делать?

А в терминах без varients как дерево себя ведет, скажем так?

а variance, что с ним происходит в случайном лесе?

А Why так происходит? Почему он выходит на плату?

Можешь сказать, вот как в бустинге строится, ну, как вообще, как устроен бустинг?

Соответственно, как он строится? То есть, вы видите про обычный бустинг или скажете про деревья?

Сейчас, погоди, вот мы посчитали градиент, окей, а что дальше с этим градиентом делать?

Просто не связывается градиент, который мы посчитали, и ошибки, то есть, ну, на что дерево-то учится в следующей?

То есть, окей, в следующий дерево мы на что очень получаем?

А как вообще можно оценить качество там, не знаю, получившегося бустинга?

То есть, там, как можно фичи оценить, какие важные, какие неважные?

А в чем их различие? В чем различие фичи потенса от шапа? Как они вообще работают?

А этот по поводу метрики, ты сказал именно в речь Precision, как она считается?

То есть, как бы среднее в речь Precision по всем запросам, вот, а как она считается?

А какие еще метрики можно померить в онлайне, в офлайне?