Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как настроить Zero-Shot Classification через Hugging Face API
Практический гайд по zero-shot classification: candidate_labels, hypothesis_template, multi_label, warmed-модель, пороги и проверка на русских данных.
Как разметить темы заявок без обучения через zero-shot-classification в Transformers
Candidate labels, hypothesis_template и multi_label: размечаем англоязычные обращения без обучения новой головы и проверяем ошибочные категории.
Что такое zero-shot и few-shot промпты: разница на простом примере
Когда достаточно инструкции, а когда нейросети нужны примеры правильного ответа для стабильного формата и тона.
Как оценить MLPClassifier через classification report и confusion matrix
Оценка нейросети не одной accuracy: classification_report как dict, confusion_matrix, support, macro F1 и точные критерии проверки.
Как извлекать сущности через Hugging Face Token Classification API
Практический гайд по token classification: entity_group, word, score, start/end, aggregation_strategy, объединение подслов и проверка позиций в исходном тексте.
Как классифицировать текст через Hugging Face Inference Providers API
Гайд по text_classification в Hugging Face: выбор модели, top_k, label/score, калибровочный набор, порог и обработка неизвестного класса.
Как определить тональность отзыва через Transformers pipeline и проверить ошибочные метки
Практика text-classification для англоязычных отзывов: явная модель, оценки уверенности, проверка отрицаний и схема ручной приёмки.
Как собрать имена и организации из текста через Transformers NER без разорванных токенов
Token classification и aggregation_strategy=simple: выделяем сущности с offsets, сверяем фрагменты оригинала и не публикуем сырые догадки.
Как классифицировать изображение через Hugging Face Inference API
Практический гайд по InferenceClient.image_classification: top_k, label, score, выбор модели по model card, контроль неизвестных классов и тест на неподходящем фото.
Как посчитать binary cross-entropy по logits в Optax
Optax 0.2.6: sigmoid_binary_cross_entropy принимает logits и метки 0/1; проверяем базовый уровень ln(2).
Как проверить NT-Xent loss embeddings через Optax
Optax 0.2.6: четыре embeddings с парными labels дают почти нулевой NT-Xent при высокой внутриклассовой близости.
Как обучать MLPClassifier пакетами через partial_fit
Потоковое обучение MLPClassifier мини-пакетами: первый classes, Incremental StandardScaler, несколько эпох, контроль n_iter_ и accuracy.
Как обучить MLPClassifier со StandardScaler без утечки данных
Проверяемый Pipeline из StandardScaler и MLPClassifier: раздельная выборка, обучение scaler только на train, accuracy и защита от утечки.
Как оценить важность признаков MLP через permutation importance
Permutation importance для Pipeline с MLPClassifier: baseline на test, перестановки столбцов, mean/std, воспроизводимость и ограничения интерпретации.
Как сохранить Pipeline с MLPClassifier через joblib и проверить загрузку
Сохранение и загрузка всего Pipeline через joblib: временный файл, совпадение прогнозов и вероятностей, версии и риск недоверенной сериализации.
Как включить early stopping в MLPClassifier и проверить остановку
Early stopping для MLPClassifier с adam: validation_fraction, n_iter_no_change, best_validation_score_, validation_scores_ и loss_curve_.
Как выбрать порог по predict_proba у MLPClassifier
Получение вероятностей MLPClassifier и выбор порога по validation, а не test: форма predict_proba, классы, precision, recall и проверяемый пример.
Как задать скрытые слои MLPClassifier и проверить размеры весов
Практическая проверка hidden_layer_sizes=(12,6): число слоёв, формы coefs_ и intercepts_, вход из восьми признаков и бинарный выход.
Почему MLPClassifier даёт разные результаты и как зафиксировать random_state
Воспроизводимость MLPClassifier: одинаковый split, random_state, веса, прогнозы и границы того, что фиксированное зерно действительно гарантирует.
Почему MLPClassifier показывает ConvergenceWarning и как это проверить
Воспроизводимый ConvergenceWarning у MLPClassifier: слишком малый max_iter, контроль n_iter_, масштабирование и проверка исправления без замалчивания предупреждения.