class_ml_lab1

Требования к реализации

• Нужно выбрать метрику качества и обосновать ее выбор (1 балл).

• Нужно написать стадии для полного цикла жизни ML модели (4 баллов)

  1. Препроцессинг.
  2. Разделение данных train/val
  3. Генерация признаков. Обратите внимание, что если вы генерируете признаки, которые предполагают обучение на тренировочном датасете (fit), то для валидационного вы должны применять уже обученные трансормации (transform). Так, если бы данные из val к вам пришли из будущего и у вас нет для них правильных ответов. Данные из val вы никак не используете в обучении/тюнинге параметров/и т.д., только для оценки качества. Представьте, что данных val у Вас на момент создания модели нет, они придут к вам только в будущем.
  4. Обучение модели.
     • Здесь вы можете использовать внутри различные методы оценки качества модели train/test split, k-fold validation и т.д. Многие из них уже реализованы в scikit-learn. Вы их используете "для себя" чтобы решить какую модель/ модели вы отправите дальше работать с "реальным миром".
     • Нужно имплементировать
       1. Что-то из scikit-learn используя Scikit-Learn Pipelines...
       2. Catboost
       3. Если захочется, то что-то еще. Больше - можно, меньше - нет.
  5. Оценка модели по метрике качества, выбранном в первом пункте на val датасете и сохранение метрик / графиков.
  6. Предсказание (инференс) модели на новых данных.

• Из стейджей выше соберите один или два пайплайна (1 балл):

  1. Обучения модели и ее оценки
  2. Инференса модели

• В пайплайнах используется работа с категориальными признаками (2 балла):

  • CategoricalEncoders
  • Тюнинг параметров отвечающих за работу с категориями Catboost

• Для управления данными и экспериментами использован DVC (2 балла).

Код должен быть написан в функциях и разнесен по модулям шаблона. Если вы изменяете шаблон - напишите об этом комментарий, какая мотивация. Вы можете использовать ноутбук для разработки, но нужно писать код так, чтобы это потом было легко перенести в функции и разнести по модулям проекта. Пример такой работы мы разбирали на практике.

Project Organization

├── LICENSE
├── Makefile           <- Makefile with commands like `make data` or `make train`
├── README.md          <- The top-level README for developers using this project.
├── data
│   ├── external       <- Data from third party sources.
│   ├── interim        <- Intermediate data that has been transformed.
│   ├── processed      <- The final, canonical data sets for modeling.
│   └── raw            <- The original, immutable data dump.
│
├── docs               <- A default Sphinx project; see sphinx-doc.org for details
│
├── models             <- Trained and serialized models, model predictions, or model summaries
│
├── notebooks          <- Jupyter notebooks. Naming convention is a number (for ordering),
│                         the creator's initials, and a short `-` delimited description, e.g.
│                         `1.0-jqp-initial-data-exploration`.
│
├── references         <- Data dictionaries, manuals, and all other explanatory materials.
│
├── reports            <- Generated analysis as HTML, PDF, LaTeX, etc.
│   └── figures        <- Generated graphics and figures to be used in reporting
│
├── requirements.txt   <- The requirements file for reproducing the analysis environment, e.g.
│                         generated with `pip freeze > requirements.txt`
│
├── setup.py           <- makes project pip installable (pip install -e .) so src can be imported
├── src                <- Source code for use in this project.
│   ├── __init__.py    <- Makes src a Python module
│   │
│   ├── data           <- Scripts to download or generate data
│   │   └── make_dataset.py
│   │
│   ├── features       <- Scripts to turn raw data into features for modeling
│   │   └── build_features.py
│   │
│   ├── models         <- Scripts to train models and then use trained models to make
│   │   │                 predictions
│   │   ├── predict_model.py
│   │   └── train_model.py
│   │
│   └── visualization  <- Scripts to create exploratory and results oriented visualizations
│       └── visualize.py
│
└── tox.ini            <- tox file with settings for running tox; see tox.readthedocs.io

---

Project based on the cookiecutter data science project template. #cookiecutterdatascience