Відео

а помоему соломоново решение

Ставки

Ana soy de Cortas palabras pero tengo un corazon muy Grande solo eso les Dipol lademasson Echos estoy lo que les puedo desir

Есть - делать сомнение в государственной идеологии преступлением, терять на низкой мотивации к удовлетворению потребностей покупателей у чиновников в государственной экономике, расстреливать за митинг по поводу повышения цен, см. Новочеркасский расстрел 1962 года.

Константин, мы связались с Валерой и получили следующий ответ: Истинного закона распределения в реальных данных вообще нет, всегда есть только эмпирика и какие то оценки Строим дерево чтобы оценки расходились При желании можем в критерий встроить статзначимость, правда тут вопрос, что делать со множественным сравнением Можно пробовать разные схемы и смотреть на валидации, точнее на распределении бутстрапа валидации Поэтому вопрос непонятен

Уважаемый @@mlmeetup2269, спасибо за ответ! Дело в том, что "Истинного закона распределения в реальных данных вообще нет" так говорить нельзя (это неверное утверждение), закон, т.е. функция распределения существует априорно, однако она нам не известна, на первом этапе исследования данных, т.е. известны некоторые ее оценки, о чем я и спрашивал. т.к. сложилось, возможно, ложное впечатление, что Валерий обращается с функциями как со скалярными величинами, а этого делать нельзя. Говорят, что если известен закон распределения, то дальше нет никаких проблем, проблема его отыскать, поэтому что бы решать задачу нахождения uplift необходимо в первую очередь решить задачу апроксимации закона распределения, например, используя туже нейросеть. Что если окажется равномерное распределение или двух модальное, или вообще свертка распределений? Я рекомендую посмотреть оригиналы работ: С. Кульбак Теория информации и статистика, С. Хайкин Нейронные сети и конечно Вентцель Е.С. Теория вероятности и .... И прошу прощения, если вызвал неудобства. С уважением, к.т.н., доц. Константин.

@@konstantinphd2366 Константин, мы лишь транслировали ответ Валерия. Я приглашу его в эту ветку) Если найдет время - ответит

@@konstantinphd2366 ​ Konstantin Phd Истинный закон распределения для полученных данных известен не будет, но его безусловно можно апроксимировать, непонятно зачем и как это делать нейросетью. Нас интересует разница двух распределений по искомой метрике, оценка это точечная, мы также можем построить для нее доверительный интервал - например непараметрическим методом (тогда и апроксимация не нужна), при желании это можно дополнительно вставить в критерий разбиения.

@@ValeriiBabushkin , спасибо большое, что нашли время на ответ. В принципе все более или менее понятно, Вы работаете не с законами, а с дискретными рядами распределения и поэтому можете искать расхождение по средним и по дисперсиям, например. Что касается нейросети, то она хорошо обучается на распознавание закона распределения, точнее плотности закона распределения (с заданной долей приближения). Недоумение вызвал рисунок и формула для расчета дивергенции, там либо интеграл должен быть либо знак суммы. В общем, спасибо Вам за Ваш ответ. Искренне, Константин.

Все верно, в первую очередь работа Leo Guelman, из обзора литературы вырезал формулы, также там хорошо описаны плюсы и минусы подходов

Это частотный график, по оси абсцисс - мера вероятности положительного или отрицательного действия клиента, по оси ординат - кол-во или доля клиентов. Красный график показывает распределение прогнозов для клиентов которым была предложена скидка, синий график для контрольной группы (кому не была предложена скидка), серый график - разность между этими двумя кривыми (прогнозы аплифт модели). В левой части серого графика доля клиентов, которая предприняла негативное действие после нашего предложения, а в правой - клиенты, которые положительно отреагировали на него. Если рассмотреть правую часть серого графика, то его вторая половина (от точки экстремума и правее) содержит клиентов, которых мы бы выделили, если бы пользовались только конверсионной моделью (красный график).

А зачем swe нужно слушать доклад по мл? ;)