Выбор правильного оценщика часто упускают из виду в науке о данных.
Когда дело доходит до трудностей, с которыми сталкиваются современные ученые, работающие с данными, часто видят как споры или очистку данных.
Однако часто недооцененной проблемой является выбор правильной оценки или алгоритма машинного обучения. да, вы правильно поняли, даже для многих специалистов по данным, которые действительно хороши в науке о данных, иногда кажется, что выбор алгоритма похож на погоню за диким гусем.
Чтобы упростить проблему, документация по научному обучению упростила решение для всех пользователей или так называемых специалистов по данным или экспертов по машинному обучению, предоставив дорожную карту того, как выбрать алгоритм машинного обучения, и факторы, определяющие выбор конкретного.
Поэтому я подумал опубликовать его здесь как готовый расчет, чтобы он был полезен для среднего сообщества специалистов по данным.
любезно предоставлено: документация по научному набору
