Тренировки по ML. Лекция 3: Линейная классификация, метод максимального правдоподобия

Ссылка на материалы лекции: github.com/gir...
Линейные механизмы классификации. Отступ. Логистическая функция потерь. Hinge loss.
Правдоподобие, метод максимального правдоподобия.
Логистическая регрессия и бернуллиевская случайная величина.
Подробнее о тренировках по ссылке (yandex.ru/yain....
Подписывайтесь на наши соц.сети: VK ( young_a..., Telegram (t.me/Young_and....

[@kj_ysmemhs_int]

На текущий момент эта лекция - самая понятная из всех доступных (т.е. с 1й по 4ю). Смог разобраться во всех математических выкладках, когда пересматривал в записи (совсем не шарю в ML; сносно знаю математику). В сумме усвоение материала из лекции и составление сжатого конспекта заняло 4 часа (не включая доп.материалы). (держу в курсе 😐)

[@user-hb6dg7gp3b]

1:24:37 В качестве примера для ошибок I и II рода иногда приводят детекцию террористов. Если условная рамка среагирует на обычного человека, приняв его за террориста - это False Positive, ошибка первого рода. И ее цена в том, что человека задержат, проверят и отпустят. А если террориста не обнаружили и приняли его за обычного человека - это False Negative, ошибка второго рода - и она в этом контексте более опасная. То есть для разработчиков таких систем детекции False Negative очень важный показатель, и больше внимания нужно уделять Recall - полноте предсказания.

[@dies0mbre944]

смеялась, когда мнемоническое правило по запоминанию precision-recall'а оказалось тем же, что и я использую

[@Quondix3.0-wq4jy]

Начало 3:35

[@user-ox4ej6hm7g]

спасибо, нравицца

[@Irades]

Спасибо ❤

[@La-Ma]

Пресижин - значение истинноположительного класса среди ПРЕДСКАЗАННЫХ положительными.
Реколл - значение истинноположительного класса среди РЕАЛЬНО положительных.