Проверяет основы машинного обучения и оценку моделей.
quiz-bankmlcross-validation
Варианты ответа
Обучение K различных моделей (random forest, XGBoost, neural network и т.д.) на одних данных с последующим выбором лучшей по метрике качества на holdout
Этап подготовки данных: проверка на пропуски, выбросы, дубликаты и некорректные типы перед обучением — валидация качества входных данных на всех признаках
Метод оценки модели: данные делятся на K складок (folds), модель обучается на K-1 и тестируется на оставшейся, повторяется K раз. Средний score — оценка качества
Дополнительная валидация уже обученной модели на внешнем независимом датасете, полученном из другого источника данных, для проверки обобщающей способности
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.
Это базовый вопрос — на собеседовании его задают как разминку и фильтр, поэтому важно ответить уверенно и без заминок.
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.