Comments 3
Насчет выделения классов, они же признаки. Используйте петлю гистерезис, для усиления признаков и убирания шума.
Гистерезис может подавлять шум за счет инерционности (сглаживание резких изменений).
Усиление слабых признаков, где важна информация в зашумленных участках. Но не подавляет слабые признаки, а наоборот, подтягивает их до среднего уровня.
Выделяет и усиливает те признаки, которые уже были сильными.
Это ведёт к тому, что слабые признаки не исчезают, а становятся более заметными. При этом это не особо усиливает шум, так как из за колебаний, он будет всегда оставаться на низком уровне.
Данное регулирование достигается за счет регулирования скорости "роста" и "спада" сигнала, имитируя инерционность. Если это шум, то колебания будут постоянными и хаотичными, что приводит к тому, что сигнал всегда быстро спадает. В то время как для признаков, сигнал будет постепенно более медленно увеличиваться, подтверждая наличие признака, что приводит к его более сильному выделению на фоне шума. Достигается это введением разной скорости регулирования при росте и спаде сигнала, как в случае гомеостаза.
Вот такой разбор хотелось бы видеть в статье. А не просто. кусок кода, определение термина. Что я могу получить от такой подачи? Набор общих штампов и терминов, оторванные куски кода? Лучше оставьте какой то один пункт и подробно, наглядно разберите его даже ради рекламы, чем просто накидать гору текста.
Удивительно! Я на курсах всю неделю только этим и занимался) приятно смотреть и читать код, который уже наверное более 50 раз за неделю пришлось самому набирать.
какая-то прям совсем базовая "машинка". Возможно, стоит в следующей статье показать, как деплоить ее с помощью того же Airflow, например. Так можно показать весь пайплайн от "загрузили данные" до "выкатили в прод"
По поводу GS (кажется, базовый sklearn давно уже не прод-решение, хотя могу ошибаться) и оптимизаций хотел бы поделиться:
Советы по эффективному обучению ML-моделей