<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>классификация &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/classification/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Tue, 18 Nov 2025 22:37:22 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>классификация &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Виды функций потерь в машинном обучении</title>
		<link>https://mlgu.ru/6368/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 18 Nov 2025 22:17:07 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[классификация]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6368</guid>

					<description><![CDATA[Функция потерь — это способ «сообщить» модели, какие ошибки наиболее критичны. Математическая формулировка напрямую влияет на поведение модели во время обучения: какие ошибки минимизируются в приоритетном порядке, как модель реагирует на выбросы и насколько агрессивно оптимизирует параметры. Оптимизация этой функции через градиентный спуск составляет основу обучения моделей машинного обучения. Разные типы задач требуют разных функций [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Метрики качества ML-моделей: Accuracy, Precision, Recall, F1 Score, ROC-AUC</title>
		<link>https://mlgu.ru/4057/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 30 Aug 2025 12:12:20 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[классификация]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4057</guid>

					<description><![CDATA[Когда мы создаем или обучаем модель машинного обучения, один из первых вопросов, который возникает: насколько хорошо она работает? Ответить на него не так просто, ведь разные задачи требуют разных критериев оценки, и не существует универсальной метрики для всех случаев. Поэтому в практике Data Science применяют целый набор показателей, позволяющих рассмотреть модель с разных сторон и [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Методы разделения деревьев решений: Gini, Энтропия, Gain Ratio, Хи-квадрат, Variance Reduction, Classification Error</title>
		<link>https://mlgu.ru/3182/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 04 Jul 2025 14:24:23 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[decision trees]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[классификация]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3182</guid>

					<description><![CDATA[Деревья решений остаются одним из самых интуитивно понятных и мощных инструментов в арсенале специалиста по данным. Выбор критерия разделения деревьев без преувеличения влияет на все: от скорости обучения до интерпретируемости результатов. В процессе работы с финансовыми данными я обнаружил, что разные критерии могут давать совершенно разные результаты даже на одних и тех же данных. Некоторые [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование трафика и конверсий сайта с помощью SVM, SVR (опорных векторов)</title>
		<link>https://mlgu.ru/558/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 22 Sep 2024 08:41:58 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[классификация]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=558</guid>

					<description><![CDATA[Данные веб-аналитики являются многомерными. И хорошо бы чтобы модель машинного обучения учитывала это. SVM (Support Vector Machines) и SVR (Support Vector Regression) &#8212; это мощные алгоритмы машинного обучения, которые отлично подходят для работы с многомерными данными. Когда мы анализируем трафик и конверсии, мы имеем дело с множеством факторов: источники трафика, поведение пользователей на сайте, сезонность, [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
