iT邦幫忙

第 11 屆 iThome 鐵人賽

DAY 17
0
AI & Data

跟top kaggler學習如何贏得資料分析競賽 系列 第 17

[Day 17] Metrics optimization / 評估指標最佳化 - Regression

  • 分享至 

  • xImage
  •  

一樣是從從線性迴歸跟類別型兩大類來看Metrics optimization/ 評估指標最佳化

Regression

RMSE, MSE, R-squared

L2
.Tree-based
XGBoost, LightGBM sklearn.RandomForestRegressor

.Linear models
sklearn.<>Regression sklearn.SGDRegressor Vowpal Wabbit (quantile loss)

.Neural nets
Pytorch, Keras, TF, etc

MAE

L1
.Tree-based
LightGBM sklearn.RandomForestRegressor

.Linear models
Vowpal Wabbit (quantile loss)

.Neural nets
Pytorch, Keras, TF, etc

MSPE as weighted MSE; MAPE as weighted MAE

.使用 sample_weights, XGBoost, LightGBM 等 library 有, 但像 Neral nets 就不 support.
. resample the train set, 通常 resample 多次
df.sample(weights=sample_weights)


上一篇
[Day 16] Metrics / 評估指標 - Calssification
下一篇
[Day 18] Metrics optimization / 評估指標最佳化 - Classification
系列文
跟top kaggler學習如何贏得資料分析競賽 30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言