---
title: Тюнинг модели
seo:
title: Тюнинг модели — Data Scientist
description: Тема «Тюнинг модели» для собеседования Data Scientist. С точки зрения тюнинга - использовалась готовая модель или тюнили?
---
[Все темы Data Scientist](/data-scientist)
## С точки зрения тюнинга - использовалась готовая модель или тюнили? [#q-14bee738d69b817faf75f82a4cc1c720]
Опишите, использовали ли готовую конфигурацию или подбирали гиперпараметры. Для собственного примера укажите метод поиска, валидационное разбиение, метрику и результат. Веса модели обучают на тренировочных данных, а гиперпараметры выбирают по валидации.
:::note[Ссылки для изучения]
1. [Как улучшить точность ML-модели](https://habr.com/ru/articles/719206/)
:::
---
## Какие основные параметры в бустинге по Вашему опыту надо тюнить, чтобы алгоритм работал как следует? На примере CatBoost. [#q-14bee738d69b81a4b383e7870879413d]
В бустинге, особенно в алгоритме CatBoost, ключевыми параметрами для тюнинга являются:
1. Learning Rate (Шаг обучения):
Контролирует величину корректировки весов модели на каждом шаге. Небольшие
значения обычно предпочтительны, но слишком маленький шаг может замедлить
обучение.
1. Depth of Trees (Глубина деревьев):
Определяет, насколько глубоко деревья будут разветвляться. Глубокие деревья
могут привести к переобучению, поэтому важно контролировать их глубину.
1. Number of Trees (Количество деревьев)
: Определяет, сколько деревьев будет использоваться в ансамбле. Большое
количество деревьев может улучшить качество модели, но также увеличивает
время обучения.
1. Regularization Parameters
(Параметры регуляризации): Например, параметры
L2-регуляризации для ограничения весов признаков или параметры для контроля
сложности модели.
1. Feature Fraction (Доля признаков):
Определяет, какая часть признаков будет использоваться при построении каждого
дерева. Это помогает снизить переобучение и улучшить обобщающую способность
модели.
1. Bagging Parameters (Параметры бэггинга)
: Определяют, какие объекты и в каком количестве будут использоваться при
построении каждого дерева. Это также помогает справиться с переобучением.
:::note[Ссылки для изучения]
1. [Как улучшить точность ML-модели](https://habr.com/ru/articles/719206/)
:::