130 trucchi e risorse di ML selezionati attentamente da 3 anni (più eBook gratuito)
130 trucchi e risorse di ML selezionati attentamente da 3 anni (più eBook gratuito)' can be condensed to '130 trucchi e risorse di ML selezionati da 3 anni (eBook gratuito incluso)
Ognuno di essi vale il tuo tempo
Introduzione
Ci sono due tipi di trucchi in data science e machine learning: trucchi rari e molto cool. Sono progettati per attirare la tua attenzione, ma alla fine non li userai mai perché i loro casi d’uso sono troppo limitati. Pensate a quelle righe di codice Python che sono terrificanti in termini di leggibilità.
Nella seconda categoria ci sono trucchi rari, cool e così utili che inizierai immediatamente a utilizzarli nel tuo lavoro.
Nel corso dei miei tre anni di esperienza con i dati, ho raccolto oltre 100 trucchi e risorse che rientrano nella seconda categoria (a volte potrebbe esserci un piccolo sovrapposizione con la prima categoria) e li ho curati in un libro online – Tricking Data Science.
Anche se ci sono più di 200 elementi nel libro online e sono organizzati in modo ordinato, ho selezionato i migliori 130 in un solo articolo perché VoAGI offre un’esperienza di lettura molto migliore.
- L’intersezione tra CDP e AI come l’intelligenza artificiale sta rivoluzionando le piattaforme di dati dei clienti
- LLM (Large Language Models) per un miglior apprendimento dello sviluppatore del tuo prodotto
- Ulteriori relatori annunciati per ODSC APAC 2023
Per favore, goditi!
Nel caso in cui tu voglia saltare direttamente al libro senza leggere l’intero articolo – voglio dire, per 50 minuti, chi lo farebbe? – ti chiederei di lasciare 50 applausi e di seguirmi prima di farlo 🙂
Trucchi
1. Importanza delle permutazioni con ELI5
L’importanza delle permutazioni è uno dei modi più affidabili per vedere le caratteristiche importanti in un modello.
I suoi vantaggi:
- Funziona su qualsiasi struttura di modello
- Facile da interpretare e implementare
- Coerente e affidabile
L’importanza delle permutazioni di una caratteristica è definita come il cambiamento delle prestazioni del modello quando quella caratteristica viene mescolata casualmente.
L’importanza delle permutazioni è disponibile tramite il pacchetto eli5. Di seguito sono riportati i punteggi di importanza delle permutazioni per un modello di regressione XGBoost👇
La funzione show_weights visualizza le caratteristiche che danneggiano di più le prestazioni del modello dopo essere state mescolate – cioè le caratteristiche più importanti.
