Тюнишь XGBoost с 8 гиперпараметрами: один fit с кросс-валидацией занимает 20 минут, бюджет — одна ночь, то есть около 30 прогонов. Grid, Random или Bayesian (Optuna) — что выберешь и почему?
MLmediummiddle
Проверяет основы машинного обучения и оценку моделей.
mlhyperparameteroptunagrid-search
Варианты ответа
Grid: только полный перебор сетки воспроизводим и сравним между запусками — random и bayesian при 30 прогонах дают несопоставимые между собой результаты
Любой из трёх: при 8 параметрах все методы покрывают пространство одинаково плотно, выбор влияет только на удобство распараллеливания по ядрам машины
Random: bayesian-оптимизации нужно минимум 500 прогонов на разогрев суррогатной модели, и при 30 итерациях TPE вырождается в random с лишним overhead
Bayesian/Optuna: при дорогих fit и малом бюджете последовательный выбор точек по прошлым прогонам обычно даёт лучший score за меньше итераций, чем random и grid
Как разобрать этот вопрос на собеседовании
Определи тип задачи (регрессия/классификация), как ты разобьёшь данные и какой метрикой будешь мерить качество с учётом дисбаланса классов. Ценят понимание переобучения, утечки данных и того, почему выбрана именно эта метрика, а не accuracy по умолчанию.
На собеседовании по такому вопросу важно не только назвать ответ, но и кратко объяснить, почему он верный.
Тема вопроса — «ML». Чтобы подготовиться к похожим задачам, отрабатывай их на практике: раздел практики помогает довести навык до автоматизма, а раздел вопросов — увидеть формулировки, которые реально встречаются на интервью аналитика данных.
Разбор ответа
Подробный разбор с объяснением «почему правильный ответ верный» и почему остальные неверны — после регистрации.
3000+ вопросов с разбором, quiz-режим с проверкой, AI-собес и подготовка к интервью аналитика.