Вопросы на собеседовании: Machine Learning

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

Для каждого из этих алгоритмов какое будет распределение выходов?

Какие способы кодирования категориальных признаков существуют? Какие у них плюсы и минусы?

Как работает target encoding в CatBoost?

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?

Как ведёт себя одиночное решающее дерево в терминах bias и variance?

Что происходит с variance в случайном лесе (по сравнению с одиночным деревом)?

Почему variance модели выходит на плато при увеличении размера обучающей выборки?

Как устроен бустинг и как строится ансамбль в методах бустинга?

Как строится градиентный бустинг? Объясните принцип для деревьев и общий алгоритм.

Мы посчитали градиент функции потерь. Что дальше делать с этим градиентом в градиентном бустинге?

Как связан вычисленный градиент с ошибками модели? На что обучается следующее дерево в градиентном бустинге?

Что предсказывает следующее дерево в градиентном бустинге?

Как можно оценить качество построенного бустинга?

Как можно оценить важность признаков — какие важные, какие неважные?

В чём различие между Feature Importance и SHAP? Как они работают?

Как считается метрика Precision?

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

Какие метрики можно измерять в онлайне и офлайне?