#статья #ИИ #ML

Бинарная классификация на простом примере: прогнозирование конверсии с классическим ML

Чем классический ML отличается от генеративного ИИ, как модель машинного обучения делает расчеты: практическая демонстрация бинарной классификации с вероятностной оценкой, от подготовки данных до интерпретации результатов.

🔥 Наконец, закончив с одним длительным и интересным проектом, я нашла время снова сделать очередное демо на полезную и актуальную сегодня тему. 🙏


🌞Иииитак, ИИ – это не только генеративные нейросети, которые создают новый контент на основе имеющихся знаний о распределении похожих данных, но классическое машинное обучение, основанное на матстатистике и теории вероятностей.

🤓 В отличии от генеративного ИИ (GenAI, Generative Artificial Intelligence), классический ML (Machine Learning) использует меньше данных и потребляет намного меньше ресурсов. При этом классический ML обеспечивает очень высокое качество, т.е. точность и полноту, результатов на структурированных (табличных) данных. Поэтому нецелесообразно использовать дорогую LLM (большую языковую модель, Large Language Model), например, для оценки вероятности того, что заемщик вернет кредит вовремя, расчета ожидаемой выручки или сегментации пользователей. Все 3 перечисленные задачи отлично решаются базовыми алгоритмами классического машинного обучения: классификация, регрессия и кластеризация.

🙌 Чтобы понять, как это работает, читайте в моей новой статье постановку и решение типовой задачи бинарной классификации на примере входящей заявки клиента на подбор спецтехники от разных поставщиков
👉
https://babok-school.ru/blog/binary-classification-xgboost-example/