Вопросы на собеседовании: Machine Learning

Какие преимущества и недостатки у метрики accuracy?

Как работают модели бустинга?

Почему Random Forest может лучше справляться с определёнными задачами?

Можешь сказать, как мы можем бороться с переобучением в нейронных сетях?

А кроме как барагован через языковую модель, знаешь еще какие-нибудь способы переведения текста в эмбейдинге?

Правильно ли я понимаю, что у вас мало опыта работы с GPU?

Можешь сказать, на каком расстоянии от старта муравей может оказаться через два шага?

Может ли муравей оказаться на расстоянии между 0 и 2 шагами от старта через два шага?

Можно ли сложить два вектора разной размерности, или сумма не получится?

Вы делали презентацию результатов для бизнеса. Как она выглядела?

Какой алгоритм бинарной классификации выбрать? Тот, у которого рок аук надложен, на выборке 0,8, или тот, у которого 0,1?

Какие метрики помогают оценить качество линейной регрессии?

И пятый последний вопрос, что такое переобучение МЭЛ-модели?

Переобучение – это когда чрезмерно модель подстраивается под учебные данные, правильно?

Можете привести пример, когда выбор случайных (не лучших) фичей для каждого дерева будет давать преимущество?

В каком крайнем случае Random Forest с рандомным выбором фичей будет работать хуже одного дерева?

При каком количестве, ну как определить, что у нас попали только хорошие и только плохие признаки в subsample?

и получится, что если у нас есть какие-то значимые признаки, то они могут не попадать, получается, в subsample, да?

а можешь рассказать, какие существуют подходы для кодированных категориальных признаков?

А есть one-hot-encoding, какая-нибудь альтернатива one-hot-encoding, которая создает, которая действует похожее, но может создавать меньше числа признаков?