Корреляция между X и Y равна 2.5

При увеличении X на одну единицу среднее прогнозируемое значение Y увеличивается на 2.5 единицы, при прочих равных условиях

Модель объясняет 2.5% вариации данных

Зависимая переменная Y принимает значение 2.5, когда X равен нулю

MultinomialNB — для дискретных признаков с мультиномиальным распределением

ComplementNB — улучшенная версия для несбалансированных данных

BernoulliNB — для бинарных признаков

GaussianNB — для непрерывных признаков с нормальным распределением

Хеширование всех строк таблицы

Метод drop_duplicates() с параметром keep='last'

Нечёткое сопоставление (fuzzy matching)

Поиск точных совпадений по первичному ключу

Потому что все современные алгоритмы одинаково эффективны

Потому что плохие данные создают потолок производительности, который нельзя преодолеть сменой модели

Потому что очистка данных автоматически увеличивает объём обучающей выборки

Потому что алгоритмы не влияют на точность предсказаний

Gradient Boosting (XGBoost, LightGBM)

Наивный Байес

Random Forest

Линейная регрессия без регуляризации

[2, 4]

[1, 2]

[2, 4, 8]

[1, 2, 4] — свободный член, исходный признак, его квадрат

Коэффициент R-квадрат резко снижается

Модель теряет способность прогнозировать на новых данных

Ошибки модели становятся автокоррелированными во времени

Оценки коэффициентов становятся нестабильными с большой дисперсией; модель не может разделить индивидуальные вклады коррелированных предикторов

Преобразование категориальных переменных в числовые с помощью one-hot кодирования

Построение прогностической модели для оценки будущих значений зависимой переменной

Удаление выбросов из набора данных перед обучением модели

Выявление статистических зависимостей между переменными для понимания структуры данных и отбора признаков

Смещение, вызванное некорректной разметкой данных

Переобучение из-за запоминания шума в обучающих данных

Недообучение вследствие малого числа параметров

Слишком высокая скорость обучения

Недостаточный объём тестовой выборки

Модель получит завышенные метрики, не отражающие реальную обобщающую способность

Модель не сможет вычислить функцию потерь

Обучение займёт значительно больше времени

Размер датасета уменьшится в два раза