
·14 min read
実践ML評価: 精度、再現率、AUCで正確性を超える
不均衡データに対するaccuracyの使用をやめ、Precision-Recallトレードオフ、F-betaスコア、ROC-AUC対PR-AUC、確率キャリブレーション(BrierスコアとPlattスケーリング)、閾値調整を習得しましょう。
Stories, tutorials, and deep dives spanning across diverse worlds.

不均衡データに対するaccuracyの使用をやめ、Precision-Recallトレードオフ、F-betaスコア、ROC-AUC対PR-AUC、確率キャリブレーション(BrierスコアとPlattスケーリング)、閾値調整を習得しましょう。

Pandasのメモリ肥大化を解消し、Polars(Rustマルチスレッド、LazyFrames、Arrow)とDuckDB(インプロセスベクトル化SQL、アウトオブコアParquetストリーミング)でデータパイプラインを高速化しましょう。

PolarsとPandasのメモリ使用量、Apache Arrow統合、遅延クエリ最適化、マルチコアCPUスケーリングに関する包括的なベンチマーク。
