ML 코드 작성시 유의사항
유의사항
- 코드의 작성방식: 다른사람이 코드를 읽고 이해할 수 있는가?
- 코드의 성능: 의도치 않은 부작용이 발생하는가?
- 코드의 복잡성: 유스케이스에 비해 설계가 과도하고 부족한가
- 개선의 용이성: ML코드가 지속적으로 리팩토링 되는가?
코드 작성방식에 따른 개발자(+데이터과학자)의 유형 분류
You might also like...
Monotonic Constraint는 Prediction에 영향을 주지 않는 제약조건이다.
* +1: when the feature increases, the prediction must be greater or equal;
Conformalized Quantile Regression은 예측 불확실성을 정량화한다.
CQR is
* **Conformalized Quantile Regression(CQR)**은 예측 불확실성을 정량화하기 위해 개발된
Zero Inflated Negative Binomial Model은 0이 과도하게 많은 데이터에 유용하다.
Motivation
* **Zero-Inflated Negative Binomial Model(ZINB)**은 데이터셋에서 0 값이 과도하게 나타나는
A/B테스트 시 사용되는 비모수 통계검정 방법론
비모수 통계검정
* 비모수 통계검정(Non-parametric test)은 데이터가 특정한 분포(정규분포 등)