Есть несколько вопросов к выводу неравенства из номера 3. Во-первых, в формуле (0.6) явно потерялось деление на двойку в правой части. Во-вторых, для использования этого неравенства выпуклость $\phi$ не нужна, зато она нужна в первом неравенстве формулы (0.8) – мне кажется, что стоило бы явно написать, какое свойство/определение выпуклых функций было использовано в этом переходе, раз уж приводится решение.

Мы считаем критерий Джини для каждого разбиения - но он меняется при смене порога для правого и левого дерева, а не вершины. Из этого получается, что ответом тогда должен быть функционал качества, использующий посчитанные критерии для поддеревьев. Как понимаю, в Q(R) не используется H(R_m) как раз ввиду константности.

4. [1 балл] Постройте график зависимости денег за товар от купленного количества (scatter plot).

По каким подмножествам мы считаем деньги и количество товара?

5. [0.25 баллов] Какие 5 товаров были самыми дешёвыми и самыми дорогими? (по choice_description)

Что здесь подразумевается под (по choice_description)?

Когда сдаю файл с HuberRegressor в яндекс контест чекер выдает следующее:

test_2_predict (__main__.Test) ... ERROR
test_3_calc_loss (__main__.Test) ... ERROR
test_4_calc_gradient (__main__.Test) ... ERROR

======================================================================
ERROR: test_2_predict (__main__.Test)
----------------------------------------------------------------------
Traceback (most recent call last):
  File "./tester.py", line 33, in test_2_predict
    hr = got.HuberReg(delta=1.0, gd_type='full',
AttributeError: 'module' object has no attribute 'HuberReg'

======================================================================
ERROR: test_3_calc_loss (__main__.Test)
----------------------------------------------------------------------
Traceback (most recent call last):
  File "./tester.py", line 60, in test_3_calc_loss
    hr = got.HuberReg(delta=1.0, gd_type='full',
AttributeError: 'module' object has no attribute 'HuberReg'

======================================================================
ERROR: test_4_calc_gradient (__main__.Test)
-------------------------

File is too long to be displayed fully

Что с этим делать?

В лекции 5 в формуле 2.2 указано, что минимизация нормы ||w|| ^ 2 весов производится по двум параметрам: вектору весов w и смещению b. Вопрос: Если смещение b не входит в вектор весов в данном случае, то нужно ли его указывать? Аналогично в формуле 2.3.

Я правильно понимаю, что в домашке при реализации метода momentum предполагается использовать аппроксимацию градиента как в SGD? А то нигде не уточнено или я не нашел

В своем решении первого домашнего задания мне было непонятно, как сделать пункты 1.12, 2.2, 2.3 и 2.4. Я написал об этом в файле работы, а также попросил рассказать правильное решение этих задачек. Ответа так и не получил.

Я спросил об авторских решениях у Дани Яшкова (семинариста), Даня попросил задать этот вопрос здесь.

Мне действительно хочется узнать правильное и красивое решение особенно части 2 Д/З, так как навыки рисования графиков потребуются не только в следующих заданиях, но и по жизни 😊

Соответственно, прошу рассказать, как парсить колонку choice_description и как подготавливать данные в задачах 2.2-2.4.

Что является мерой популярности товара в задании 9, количество заказов, в которые он входит, или общее количество купленных единиц товара (сумма по quantity). Аналогичный вопрос по заданию 10, что учитывать как частоту покупки?

В задании 12:

1. 4й датасет называется nursery, а не nurcery
2. В описании 4го датасета не такие значения ответов, должно быть написано "читаем, что not_recom и recommend - класс 0, very_recom, priority, spec_prior - класс 1"

Подправьте, пожалуйста, уже написанный вами код, он либо в некоторых местах не работает (train_test_split), либо сигнатура соответствует старым версиям библиотек (OneHotEncoder больше не имеет аргумента categorical_features). Если это конечно не является частью задания.