Переобучение и недообучение
ML для аналитикаТема 1. Основы ML
Bias-variance tradeoff, признаки переобучения, регуляризация (L1/L2), early stopping, кривые обучения.
О разделе «Тема 1. Основы ML»
Типы задач, train/test split, кросс-валидация, переобучение, метрики классификации и регрессии, feature engineering.
Ключевые темы: классификация, регрессия, overfitting, ROC-AUC, F1, feature engineering.
Все темы в разделе «Тема 1. Основы ML»
Обновлено:
Полный разбор темы «Переобучение и недообучение» — в Pro
В Pro-подписке по этому конспекту получите:
- Формулы с пошаговым разбором (LaTeX)
- Примеры Python-кода с выводом и комментариями
- Интерактивные визуализации для понимания теории
- Частые вопросы с реальных собеседований по теме «Тема 1. Основы ML»
- Чеклист: что точно спросят на собесе аналитика
Открыть все 210 конспектов →