پروژه پایتون 89867

شرح پروژه

وقت بخیر  من يه پروژه imbalanced binary classification با الگوريتم xgboost دارم. من مدل پايه اش رو تو جوپيتر با python 3 نوشتم و الان بايد hyperparameter هاش tune بشه كه F1-score واسه minority كلاس خوب performance داشته باشه. مدل براي majority class خوب جواب ميده (F1-score). اما performance مدل براي minority class بايد بره بالا ، منظورم F1-score هست. و learning curve هم بايد نشون بده كه مدل overfit نشده. شما ميتونيد hyperparameter هاي xgboost رو tune كنيد كه performance مدل براي هر دو تا كلاس خوب باشه و مدل overfit نشه باتوجه به learning curve. من از gridsearch استفاده كردم اما نتونستم هم f1-score رو براي minority كلاس ببرم بالا و هم learning curve خوب بشه. اما خوب چون عجله دارم و سرعت لپ تاپم خيلي پايينه، ديگه نميتونم بيشتر روش وقت بذارم. ميخواستم بپرسم شما ميتونيد اين كارو انجام بديد؟ كدها تو جوپيتر نوت بوك  نوشته بشه. و اينكه ٤ تا ديتاست مختلف هست كه hyperparameter ها براي xgboost بايد tune بشه. يعني براي هر ديتاست مختلف جدا tune بشه. من ميتونم ديتاها و كدهارو براي ٤ تا مساله مختلف براتون بفرستم كه ببينيد تو چه قالبي بايد باشه. اگه اينارو براي من درست كنيد، ممنون ميشم. و اينكه tune شدنش با هر روشي باشه موردي نداره فقط اينكه توضيحاتش باشه كه چجوري tune شدن.

اگه performance majority class بياد پايين تر از مقداري كه من الان دارم مهم نيست. ميخوام performance براي هر دو كلاس، يه مقدار قابل قبولي باشي. مثلا f1-score بشه 70 درصد برايmajority class و 60 درصد براي minority class. اينكه performancr ها كمتر از ٥٠ درصد نشن، هر چقدر بالاتر بهتر با توجه به اينكه overfit نشن  تا جمعه زمان دارم.  البته اگه زودتر هم انجام بشه خیلی خوبه  سه تاي ديگه زير مجموعه همين ديتا هستن  من تا ٤١٪؜ performance model رو براي minority كلاس بالا بردم  اما بايد به بالاي ٥٠٪؜ برسه

8782

این پروژه شامل 1 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

درباره کارفرما

nikotex

عضویت سه سال پیش

22012 پروژه ثبت شده ،

17 پروژه در حال انجام ،

146 پروژه آماده دریافت پیشنهاد ،

نرخ پذیرش پیشنهاد 15%