mlcourse.ai. Домашнее задание №5. Демо-версия

Request edit access

JavaScript isn't enabled in your browser, so this file can't be opened. Enable and reload.

Логистическая регрессия и случайный лес в задаче кредитного скоринга

Внимание! Версия курса на русском далее не поддерживается, баги исправляются только в англоязычной версии, лучше обращаться к ней https://mlcourse.ai/book/index.html, https://github.com/Yorko/mlcourse.ai/tree/main/mlcourse_ai_jupyter_book

Вопрос 5.1. В зале суда есть 5 присяжных, каждый из них по отдельности с вероятностью 70% может правильно определить, виновен подсудимый или нет. С какой вероятностью они все вместе вынесут правильный вердикт, если решение принимается большинством голосов? *

1 point

70.00%

83.20%

83.70%

87.50%

Вопрос 5.2. Какова интервальная оценка среднего возраста (age) для клиентов, которые просрочили выплату кредита, с 90% "уверенностью"? *

1 point

52.59 – 52.86

45.71 – 46.13

45.68 – 46.17

52.56 – 52.88

Вопрос 5.3. Какое оптимальное значение параметра С? *

1 point

0.0001

0.001

0.01

0.1

Вопрос 5.4. Можно ли считать лучшую модель устойчивой? *

1 point

Да

Нет

Вопрос 5.5. Какой самый важный признак для лучшей модели логистической регрессии? *

1 point

age

NumberOfTime30-59DaysPastDueNotWorse

DebtRatio

NumberOfTimes90DaysLate

NumberOfTime60-89DaysPastDueNotWorse

MonthlyIncome

NumberOfDependents

Вопрос 5.6. Какова доля влияния DebtRatio на предсказание? *

1 point

0.38

-0.02

0.11

0.24

Вопрос 5.7. Во сколько раз увеличатся шансы, что клиент не выплатит кредит, если увеличить возраст на 20 лет при всех остальных неизменных значениях признаков. *

1 point

-0.01

0.70

8.32

0.66

Вопрос 5.8. На сколько приблизительно точность лучшей модели случайного леса выше точности логистической регрессии на валидации? *

1 point

Вопрос 5.9. Какой признак имеет самое слабое влияние в лучшей модели случайного леса? *

1 point

age

NumberOfTime30-59DaysPastDueNotWorse

DebtRatio

NumberOfTimes90DaysLate

NumberOfTime60-89DaysPastDueNotWorse

MonthlyIncome

NumberOfDependents

Вопрос 5.10. Какое наиболее существенное примущество логистической регрессии перед случайным лесом для нашей бизнес-задачи? *

1 point

меньше тратится времени для тренировки модели

меньше параметров для перебора

интерпретируемость коэффициентов при признаках

линейные свойства алгоритма

Вопрос 5.11. Какая лучшая точность получилась для бэггинга с базовым классификатором логистической регрессией? *

1 point

80.75%

80.12%

79.62%

76.50%

Вопрос 5.12. Какое обоснование наиболее подходит для интерпретации лучших параметров бэггинга "max_features" и "max_samples"? *

1 point

для бэггинга важно использовать как можно меньше признаков

бэггинг лучше работает на небольших выборках

меньше корреляция между одиночными моделями

чем больше признаков, тем меньше теряется информации

Есть ли какие-то замечания по заданию? Если уверены в ошибке, можно открыть Issue в GitHub-репозитории курса (https://github.com/Yorko/mlcourse.ai/issues). Также не возбраняется сделать Pull Request с исправлением простых опечаток.

На Patreon https://www.patreon.com/ods_mlcourse можно найти дополнительные задания, также курс можно одноразово поддержать на ko-fi.com/mlcourse_ai

Конечно!

Не в этот раз

Clear selection

Submit

Clear form

Never submit passwords through Google Forms.

This content is neither created nor endorsed by Google. Report Abuse - Terms of Service - Privacy Policy

Forms