42 lines
2.2 KiB
Markdown
42 lines
2.2 KiB
Markdown
# L1 против L2
|
||
|
||
## Теория перед выполнением
|
||
|
||
Перед началом прочитайте:
|
||
|
||
- [`03_regularization_bias_variance.md`](../notes/03_regularization_bias_variance.md)
|
||
|
||
|
||
## Цель
|
||
|
||
Обучить модели на данных с шумовыми и коррелированными признаками.
|
||
|
||
## Что сделать
|
||
|
||
1. Сформулировать ожидаемый результат до запуска эксперимента.
|
||
2. Реализовать простой baseline.
|
||
3. Реализовать основной метод самостоятельно настолько, насколько требует задание.
|
||
4. Добавить автоматические проверки ключевых вычислений.
|
||
5. Провести эксперимент, сохранить метрики и примеры ошибок.
|
||
6. Заполнить отчёт по `common/REPORT_TEMPLATE.md`.
|
||
|
||
## Результат
|
||
|
||
Сравнение коэффициентов, качества и sparsity для L1/L2/Elastic Net.
|
||
|
||
Решение разместите рядом в `solution/`. Не коммитьте большие данные,
|
||
веса или секреты.
|
||
|
||
## Критерии приёмки
|
||
|
||
- Объяснено, почему L1 зануляет веса, а стандартного универсального «L3» почти не используют.
|
||
- Код читаем, разбит на функции и запускается по инструкции.
|
||
- Выводы подтверждаются измерениями и не выходят за пределы эксперимента.
|
||
|
||
## Вопросы для самопроверки
|
||
|
||
- Почему выбран именно этот метод и какой baseline он должен превзойти?
|
||
- Где здесь возможна утечка данных или некорректная оценка?
|
||
- Как изменится результат при других данных или ограничениях?
|
||
- Какую ошибку модели вы считаете наиболее важной и почему?
|