Определение основных функций и понимание того, как они влияют на результаты прогнозирования моделей машинного обучения с помощью SHAP.
Эта статья представляет собой одну из двух частей, документирующих мои знания из моей дипломной работы по машинному обучению в Spotify. Обязательно прочтите вторую статью о том, как мне удалось значительно оптимизировать свою модель для этого исследования.
Два года назад я провел увлекательный исследовательский проект в Spotify в рамках своей магистерской диссертации. Я изучил несколько полезных методов машинного обучения, которые, по моему мнению, должен иметь в своем наборе инструментов любой специалист по данным. И сегодня я здесь, чтобы познакомить вас с одним из них.
За это время я потратил 6 месяцев, пытаясь построить модель прогнозирования, а затем расшифровать ее внутреннюю работу. Моей целью было понять, почему пользователи довольны музыкой.
Речь шла не столько о том, чтобы предсказать, будет ли пользователь счастлив (или нет), сколько о понимании основных факторов, которые способствовали его счастью (или его отсутствию).
Звучит захватывающе, правда? Это было! Мне понравилось все это, потому что я узнал много нового о том, как машинное обучение можно применять в контексте музыки и поведения пользователей.
(Если вас интересует применение машинного обучения в музыкальной индустрии, то я настоятельно рекомендую ознакомиться с этим интересным исследованием, проведенным ведущими экспертами Spotify. Обязательно прочтите!)
Машинное обучение и поведенческая психология в сфере технологий
В сфере технологий исследовательские проекты, подобные моему, очень распространены, потому что большая часть работы вращается вокруг предоставления наилучшего персонализированного опыта для пользователей/клиентов.
Зачастую это означает углубление в человеческую психику, а машинное обучение может стать мощным инструментом для достижения невозможного — понимания людей.
Когда мы объединим ML с психологией и…
