Pandas

Requests

Curl

Pickle

JSON

Підрахунок відсотка співпадань думок експертів

Визначення середнього значення величини від 0 до 1

Знаходження середнього значення між точністю та

повнотою

Рахування

частки величини, яка зосереджується на певній частці популяції

Всі вищезазначені відповіді невірні

model.load()

pickle.dump()

pickle.load()

load_pickle()

load_model()

Кількість правильних передбачень усіх класів

Відсоток правильних передбачень, враховуючи різну

кількість класів

Розбіжність між прогнозованими та реальними значеннями

Міра

нерівності розподілу величини від 0 до 1

Всі вищезазначені відповіді невірні

Градієнтний бустінг

Random

Forest

SVM (метод опорних векторів)

Лінійна регресія

K-Nearest

Neighbors (K-NN)

Вибираючи

пороги класифікації та рахуючи точність та повноту для кожного порогу

За допомогою визначення середнього значення між

точністю та повнотою

Лінійно на основі порігів класифікації

За допомогою випадкового вибору точок на графіку

Всі вищезазначені відповіді невірні

json.stringify()

json.dumps()

json.parse()

json.loads()

Крива, яка показує розподіл величини від 0 до 1

Графік, що відображає різницю між прогнозованими та

реальними значеннями

Графік,

що відображає зв'язок між точністю та повнотою для різних порогів класифікації

Крива, що вказує на кількість правильних передбачень

для різних класів

Всі вищезазначені відповіді невірні

Дослідження даних перед моделюванням

Емпіричний дослідження

алгоритмів

Економічна оцінка даних

Експлораторний аналіз даних

Ефективний аналіз даних

Кількість

екземплярів цільового класу поділена на загальну кількість передбачених

екземплярів цього класу

Повнота не визначається в класифікаційних завданнях

Відсоток правильних передбачень усіх класів,

враховуючи їхню різну кількість

Взаємозв'язок між точністю та повнотою

Кількість правильно передбачених екземплярів цільового

класу поділена на загальну кількість передбачених екземплярів цього класу