Задачи курса «Машинное обучение с нуля на Python: первая модель»

Выберите задачу и проверьте решение прямо на странице. Регистрация не нужна.

• Утечка целевой переменной в ML: как отделить X от y

  Исключите целевой столбец из признаков X и сохраните y отдельно, чтобы модель не видела будущий ответ при прогнозе.

• scikit-learn predict: совпадение столбцов Xtrain и Xnew

  Исправьте новые данные для LinearRegression: признаки и порядок столбцов при predict должны совпадать с обучением.

• Линейная регрессия scikit-learn: diabetes, fit и predict

  Как обучить LinearRegression на diabetes и получить прогноз для отложенных строк? Пример fit/predict и задача с проверкой.

• MAE на train и test: сопоставьте прогнозы с правильными ответами

  Исправьте расчёт meanabsoluteerror для одной модели: сравнивайте прогнозы train и test с ответами тех же строк.

• Baseline регрессии: среднее, медиана и MAE модели

  Посчитайте константные baseline по ytrain и сравните их MAE с LinearRegression на одном и том же test.

• Ошибки регрессии: residual, топ-5 промахов и MAE по группам

  Соберите отчёт по остаткам модели, найдите пять крупнейших ошибок и сравните среднюю абсолютную ошибку по зонам.

• predictproba и classes: найдите вероятность нужного класса

  Найдите столбец класса 2 по clf.classes, извлеките вероятности и отсортируйте строки по риску.

• Порог классификации 0.4 и 0.5: какие метки изменятся

  Сравните бинарные решения при двух порогах и проверьте, хватит ли мест для дополнительных ручных проверок.

• Разбиение train/test в scikit-learn: stratify и редкий класс

  Зачем нужен stratify=y при разбиении данных на train и test? Пример сохранения долей классов и задача с проверкой.

• Accuracy при дисбалансе классов: сравнение с baseline

  Сравните accuracy модели с постоянным предсказанием самого частого класса train на одном test-наборе.

• Порог классификации по цене FN и FP: precision и recall

  Сравните пороги 0.3 и 0.7 по числу ошибок и весам FN/FP на валидации, вычислите precision и recall.

• DummyClassifier mostfrequent: baseline для редкого класса

  Постройте стратифицированный split и baseline через DummyClassifier; измерьте accuracy, precision, recall и F1.

• False negatives модели: какие положительные случаи пропущены

  Сравните логистическую регрессию с baseline на одном test и соберите строки ложных отрицаний каждой модели.