Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как составить набор тестов для ИИ-бота: кейсы, критерии и регрессия
Практический способ проверить ИИ-бота на реальных вопросах: собрать кейсы, задать критерии и не пропустить регрессии.
Как использовать Poisson loss в MLPRegressor для положительного target
Poisson loss в scikit-learn 1.8: строго неотрицательный target, положительный прогноз через exponential link и воспроизводимый негативный тест.
Как масштабировать target MLPRegressor через TransformedTargetRegressor
StandardScaler для признаков и отдельное преобразование target через TransformedTargetRegressor с автоматическим inverse_transform прогноза.
Как обучать MLPRegressor пакетами через partial_fit
Потоковое обучение регрессионной нейросети: Incremental StandardScaler, пять пакетов, 25 эпох, счётчик обновлений, t_ и независимый test.
Как обучить MLPRegressor со StandardScaler в Pipeline
Полносвязная нейросеть для числового прогноза: честный train/test split, StandardScaler внутри Pipeline, MAE, R² и проверка preprocessing.
Как оценить MLPRegressor по MAE, RMSE и R²
Три проверяемые регрессионные метрики: MAE в исходных единицах, чувствительный к крупным ошибкам RMSE и R² относительно среднего baseline.
Как рассчитать partial dependence для MLPRegressor
Численный partial dependence для одного признака: grid_values, average prediction, Pipeline, проверка shape и ограничения причинной интерпретации.
Как продолжить обучение MLPRegressor через warm_start
Проверка warm_start без переинициализации весов: два fit, изменение coefs_, loss до и после, границы метода и отличие от partial_fit.
Как проверить остатки MLPRegressor по квантилям
Residual analysis без графика: среднее, медиана, квантили абсолютной ошибки, худшие строки и проверка смещения прогноза.
Как сделать multi-output регрессию через MLPRegressor
Два непрерывных target в MLPRegressor: форма y `(n,2)`, output `(n,2)`, n_outputs_, последняя матрица весов и MAE по каждому выходу.
Как включить early stopping в MLPRegressor
Проверка early stopping у MLPRegressor с adam: validation_fraction, n_iter_no_change, validation_scores_, best_validation_score_ и loss_curve_.
Как создать набор регрессионных вопросов для AI-бота в MLflow
Сохраняем вопросы и ожидаемые ответы в MLflow GenAI Dataset, проверяем схему и не смешиваем тесты с реальными клиентскими данными.
Как сравнить две редакции ответчика на одном наборе в MLflow Evaluate
Запускаем два predict_fn на одинаковых вопросах и отдельно сравниваем воспроизводимый тест обязательного ответа.
Как сравнить две версии RAG-поиска на одних и тех же вопросах
Парное сравнение старого и нового RAG-поиска по одним фикстурам: попадания, улучшения, регрессии и ограничения среднего.
Как добавить reranking в Weaviate RAG и проверить качество
Второй этап retrieval в Weaviate: Rerank, prop, query, shortlist limit, rerank score, nDCG и сохранение связи с исходными UUID.
Как фильтровать поиск Weaviate по properties без утечки данных
Filters.by_property в Weaviate: equal, greater_or_equal, логические AND/OR, типы properties, tenant/ACL и отрицательные тесты доступа.
Как фильтровать k-NN поиск OpenSearch по tenant и visibility
Filter внутри knn query, применимость Lucene/Faiss, безопасный tenant ACL, top-k и отрицательный тест на межклиентскую утечку.
Как фильтровать metadata в ChromaDB через where без утечки tenant
Metadata filtering ChromaDB: where, $eq, $gte, $and, типы значений, tenant и visibility до семантического ранжирования.
Как фильтровать поиск LanceDB: prefilter или postfilter
SQL where в LanceDB, tenant и visibility, prefilter по умолчанию, postfilter, scalar index и отрицательный тест межклиентской выдачи.
Как фильтровать векторный поиск Milvus по tenant и metadata
Filtered Search в Milvus: выражение filter до ANN, tenant_id, year, visibility, output_fields и отрицательный тест межклиентской изоляции.