ML classico: modelli, metriche, feature engineering
Un dataset con 30 colonne è illeggibile, ma spesso l'informazione vera vive in due o tre direzioni. La PCA le…
Quando i dati vivono in centinaia di dimensioni su superfici curve, la PCA non basta più. t-SNE e UMAP costruiscono…
I modelli si somigliano tutti, i dati no. Il feature engineering — trasformare dati grezzi in variabili che parlano al…
L'accuracy è la metrica più citata e la meno affidabile. Precision, recall e F1 — leggibili tutte da una tabella…
Un classificatore non risponde "sì" o "no": produce un punteggio, e sei tu a decidere dove tagliare. La curva ROC…
Valutare un modello sui dati con cui l'hai addestrato è come correggersi il compito da soli. La cross-validation fa ruotare…
Un modello che impara troppo bene i dati di addestramento smette di funzionare su quelli nuovi. La regolarizzazione L1 e…
Un modello che non fa letteralmente nulla può vantare il 99% di accuratezza, se il fenomeno che cerca è raro.…
Nel 2009 il milione di dollari del Netflix Prize andò a un'orchestra di oltre cento modelli mediocri, non a un…
Su una tabella di righe e colonne, una rete neurale profonda spesso perde contro un modello ad alberi vecchio di…
