Прогнозирование цены на недвижимость

Определение тональности отзыва (позитивный/негативный)

Оценка спроса на товар

Предсказание температуры воздуха

Задач, где признаки имеют сложные нелинейные зависимости

Задач классификации текстов, где признаки — слова (например, спам-фильтрация, анализ тональности)

Предсказания числовых значений с высокой точностью

Задач с малым числом категорий и непрерывными признаками

Мультиколлинеарности

Недообучения — модель слишком проста

Гетероскедастичности

Переобучения — модель запомнила шум из обучающих данных и плохо обобщается на новые данные

Модель автоматически нормализует данные во время обучения

Обе переменные будут равномерно влиять на модель без масштабирования

Признак с большим масштабом будет доминировать и искажать обучение

Модель не сможет обработать числовые значения

Измерения качества разбиения узла — оценки неоднородности данных в узле

Ограничения глубины дерева

Выбора числа листьев дерева

Регуляризации весов модели

Квантильная нормализация

Min-Max Scaling, так как он сохраняет относительные пропорции

Логарифмическое преобразование

Z-score стандартизация, поскольку она центрирует данные и нормирует дисперсию

Линейная корреляция близка к нулю — очевидной линейной зависимости нет

Данные наверняка содержат выбросы, искажающие корреляцию

Существует умеренная положительная корреляция (r около 0.5)

Коэффициент корреляции близок к 1 или -1

Когда классы сбалансированы и все ошибки одинаково важны

При дисбалансе классов

Когда одинаково важны и Precision, и Recall

При использовании только метрики Accuracy

Сигмоидальное (sigmoid)

Полиномиальное (polynomial)

Линейное (linear)

Гауссово / RBF (radial basis function)

Удаление выбросов из матрицы изображения

Изменение разрешения изображения до фиксированного размера

Преобразование изображения в оттенки серого

Приведение значений пикселей к диапазону [0, 1] для ускорения обучения