Встречается на собеседованиях • сегодня

В случае какого алгоритма: бустинга или случайного леса - больше bias

Бустинг (например, Gradient Boosting) обычно имеет меньший bias, чем случайный лес, так как он последовательно исправляет ошибки предыдущих моделей, стремясь минимизировать остатки. Случайный лес, будучи ансамблем независимых деревьев, усредняет их предсказания, что может приводить к большему bias, особенно если отдельные деревья недостаточно глубокие.

Пример сравнения bias в sklearn:

python
from sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressor
from sklearn.metrics import mean_squared_error

# Предположим, X_train, y_train - данные
rf = RandomForestRegressor(max_depth=3)
rf.fit(X_train, y_train)
gb = GradientBoostingRegressor(n_estimators=100, learning_rate=0.1)
gb.fit(X_train, y_train)

# Bias можно оценить через MSE на обучающей выборке
print("RF Bias:", mean_squared_error(y_train, rf.predict(X_train)))
print("GB Bias:", mean_squared_error(y_train, gb.predict(X_train)))

Обычно GB показывает меньший MSE (ниже bias) на обучающих данных.

Sophi
Софи собрала все вопросы. Тренируйся и получай
офферы быстрее!
Попробовать бесплатноArrow

Следующий вопрос

Это единственный вопрос по вашему фильтру

как отвечать на вопрос
пример собеседования
фреймворки на собеседовании
типичные вопросы junior
интервью вопросы и ответы