Модель показывает accuracy 99% на обучающей выборке и 60% на тестовой. Что это означает?

Проверяет основы машинного обучения и оценку моделей.

Варианты ответа

• Тестовая выборка некорректно сформирована
• Модель отлично обучена и 99% accuracy на train — хороший результат
• Переобучение (overfitting): модель запомнила обучающие данные, но не обобщает на новые
• Нужно обучать модель дольше для улучшения тестового accuracy

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

Получить доступ к ответам — все вопросы →

Что дальше

• Раздел практики →
• Все 3000+ вопросов с разбором →

Похожие вопросы из категории «ML»

• Чем отличается L1 (Lasso) от L2 (Ridge) регуляризации?
• Как обнаружить data leakage в ML-пайплайне?
• Что такое F1-score и когда он лучше accuracy?
• Чем XGBoost/LightGBM лучше Random Forest для табличных данных?
• Как мониторить ML-модель в production и обнаруживать деградацию?
• Как проводить A/B тест для ML-модели (model A vs model B)?
• Что такое feature store и зачем он нужен в ML-инфраструктуре?
• Зачем использовать кросс-валидацию вместо одного train/test split?

Полезные блог-статьи по теме

• ROC-AUC vs PR-AUC: какую метрику выбрать
• Логистическая регрессия простыми словами для аналитика
• Кластеризация k-means в Python для аналитика
• Градиентный бустинг для аналитика: как это работает