Використовувати більше даних для навчання

Використовувати тільки accuracy_score без інших метрик

Ігнорувати балансування класів

Використовувати менше даних для навчання

Таблиця, що показує, скільки об’єктів кожного класу було віднесено до кожного з можливих класів

Результат перетворення LabelEncoder

Вектор, у якому містяться всі опорні вектори

Випадкове переставляння елементів масиву

Фактичні 0 і передбачені 1

Фактичні 0 і передбачені 0

Фактичні 1 і передбачені 1

Фактичні 1 і передбачені 0

LinearSVC оперує лінійною гіперплощиною, тоді як Kernel SVM може проектувати дані в простір вищих вимірів

Лінійний SVM є різновидом дерева рішень

У Kernel SVM відсутній параметр ядра (kernel)

Kernel SVM не може працювати з нелінійно розділеними даними

Recall зросте, але precision може знизитися

AUC ROC стане рівне 1

Recall знизиться, precision зросте

Accuracy завжди збільшиться

Лінійний дискримінантний аналіз (LDA)

Метод опорних векторів із лінійним ядром (LinearSVC)

Логістична регресія (LR)

Метод опорних векторів із RBF-ядерною функцією

Коли precision зростає

Ще таке порозказуйте! Вона завжди надійна!

Коли класи збалансовані

У випадку незбалансованих класів

Змінює тип ядра SVM автоматично

Для кожної пари класів тренується окремий бінарний класифікатор

Використовує лише одну опорну точку у кожному класі

Тренує одну модель для всього набору класів

Процес прогнозування числового значення

Процес призначення об'єкту одного з декількох класів

Процес визначення залежності між двома змінними

Процес кластеризації схожих об'єктів

Повернення до початкових назв ознак

Перетворення числових даних на логарифмічну шкалу

Кодування категоріальних ознак у числовий формат

Масштабування (scaling) числових ознак