Реестровая запись: ЭЛ № ФС77-79395 от 02.11.2020 ISSN: 2782-1528 DOI 10.34660/c0727-6092-6372-a
Индекс Джини — это мера неравенства, которая используется в задачах классификации для оценки качества разделения данных. Чем ниже индекс, тем лучше разделены классы. [50 терминов для инженера машинного обучения.
Эмбеддинги — это методы представления объектов, таких как слова или фразы, в виде числовых векторов, которые можно использовать для обучения моделей. [50 терминов для инженера машинного обучения. (Электронный ресурс).
Ансамблирование — это метод, при котором несколько моделей комбинируются для улучшения точности предсказаний. Примеры методов ансамблирования: случайный лес, градиентный бустинг. [50 терминов для инженера машинного обучения. (Электронный ресурс). Режим
Алгоритм в машинном обучении — это последовательность шагов или инструкций для решения задачи или вычисления. В машинном обучении алгоритм используется для обучения моделей на основе
Модель в машинном обучении — это математическое представление, которое используется для предсказания или классификации данных. Модели обучаются на исторических данных и затем используются для решения
Сеть нейронная полносвязная — это тип нейронной сети, в которой каждый нейрон одного слоя связан с каждым нейроном следующего слоя. Этот тип сети используется для
Функция потерь — это метрика, которая измеряет ошибку модели, сравнивая предсказанные значения с реальными. Задача машинного обучения заключается в минимизации функции потерь. [50 терминов для инженера машинного обучения. (Электронный
Кросс-валидация — это метод оценки производительности модели, при котором данные делятся на несколько частей, и модель обучается и тестируется на разных подмножествах этих данных. [50 терминов для
Характеристики (или признаки) — это входные данные, которые используются для обучения модели. Пример: для предсказания стоимости дома характеристиками могут быть площадь, количество комнат и местоположение.
Способность обобщающая – свойство модели отражать исходные данные в требуемые результаты (X –> Y) на всем множестве исходных данных (во всех сценариях, а не только