Библиотека собеса по Data Science | вопросы с собеседований

📊 Задача с собеседования

Имеются данные о продажах за последние 12 месяцев. Требуется оценить наличие линейной зависимости между количеством заключённых сделок и объёмом выручки, а также построить прогноз выручки при достижении 150 сделок.

Если не понимаете с какой стороны подступиться к задаче, то пора подтянуть математику. 🎓 Именно этому посвящен курс экспресс-курс «Математика для Data Science» от Proglib Academy: — работа с векторами и матрицами; — линейная регрессия и метод наименьших квадратов; — вероятности, распределения, статистика; — и многое другое. ⏳ Старт: 4 декабря 🔥 Скидка: 40% до конца ноября 👉 Подключиться к курсу

🖤 ЧЕРНАЯ ПЯТНИЦА: СКИДКА 40% Что общего между Black Friday и подготовкой к собесам? Оба случаются раз в год, и оба нельзя пропустить! 😎 🔥 Курсы со скидкой 40% до конца ноября: 🐍 Python 📐 Математика 🤖 AI 🔢 Алгоритмы и структуры Пока другие покупают кофемашины и телевизоры, инвестируй в себя📈

🔥 Когда стоит использовать pruning (обрезку дерева) вместо early stopping Существуют два подхода: пост-обрезка (post-pruning) и предварительная обрезка (pre-pruning / early stopping). 🔤 Post-pruning: Сначала дерево строится полностью, чтобы уловить все потенциальные взаимодействия между признаками. Затем удаляются ветви, которые не дают улучшения по валидационным метрикам. Такой подход часто даёт более оптимальное и устойчивое дерево, но требует больше вычислительных ресурсов. 🔤 Pre-pruning: Рост дерева останавливается заранее по определённым критериям (например, минимальное количество выборок в узле или порог улучшения по impurity). Это быстрее и дешевле, но может привести к недообучению, если ограничение слишком жёсткое. 🐸 Библиотека собеса по Data Science

↪️ Существуют ли методы построения доверительного интервала для точности без предположений о распределении Да. Один из самых распространённых распределительно-свободных методов — бутстреп. Он не требует предположений о нормальности или биномиальном распределении ошибок: Непараметрический бутстреп: ➡️ Многократно выбираем выборки из тестового набора с возвращением. ➡️ Для каждой выборки вычисляем точность. ➡️ Затем строим доверительный интервал, например, по 2.5-му и 97.5-му процентилям. 🐸 Библиотека собеса по Data Science

❓Какова роль скорректированного (R^2) в выявлении переобучения линейной модели Обычный (R^2) измеряет долю объяснённой дисперсии, но он всегда увеличивается при добавлении новых признаков, даже если они не несут полезной информации. Скорректированный (R^2) учитывает количество признаков и штрафует за включение переменных, которые мало улучшают модель. Интерпретация для обнаружения переобучения: 🔹 Если обычный (R^2) растёт, а скорректированный остаётся примерно на том же уровне или падает, это сигнализирует о том, что новые признаки не повышают реальную обобщающую способность модели. 🔹 Значительная разница между (R^2) и скорректированным (R^2) может указывать на переобучение. Таким образом, скорректированный (R^2) помогает балансировать сложность модели и её качество, предотвращая слепое добавление признаков. 🐸 Библиотека собеса по Data Science