Вариационный вывод (VI) - это метод приближенного вывода в байесовской статистике. Учитывая модель, мы часто хотим вывести ее апостериорную плотность, учитывая имеющиеся у нас наблюдения. Однако точный вывод о апостериорной плотности требует маргинализации по всем нерелевантным параметрам, что часто сложно вычислить. Основная идея VI - использовать более простые распределения для аппроксимации плотности запросов. Чтобы упростить задачу, мы аппроксимируем каждый отдельный целевой параметр..

Прогнозирование ссуд с использованием вероятностного моделирования, регрессии и анализа выживаемости дало разные результаты. Два месяца назад я предложил задачу исследования данных о статусе кредита в средней статье . Цель состояла в том, чтобы побудить участников попытаться решить проблему и поделиться своей версией решения. На сегодняшний день я получил отзывы от 5 участников. Перед тем, как поделиться результатами, полученными этими участниками, вот постановка задачи для..

Головоломка специалиста по данным: мы очистили данные, сделали предположения для моделирования и с нетерпением загрузили sklearn; все, что стоит между нами и соревновательной славой Kaggle, - это эти надоедливые гиперпараметры. Как мы их выбираем? Эффективность модели часто сводится к трем ключевым компонентам: данные, соответствие модели и выбор гиперпараметров. Мы можем рассматривать данные и класс модели как ингредиенты в величайшем рецепте черничных маффинов, но даже они не спасут..