Machine learning chat
07 March 2026 19:36
Такие параметры явно избыточные. Ты можешь поставить глубину 7 или 10 и число деревьев 30 или 50, и у тебя должны быть примерно такие же результаты, если не лучше. Как минимум будет быстрее учиться
Читать полностью…
Machine learning chat
07 March 2026 19:27
а это поможет как то процессу?
Читать полностью…
Machine learning chat
07 March 2026 19:27
df['TC_HDL_ratio'] = df['TC'] / df['HDL-C']
df['TG_HDL_ratio'] = df['TG'] / df['HDL-C']
df['TC_minus_HDL'] = df['TC'] - df['HDL-C']
features = ['TC', 'HDL-C', 'TG', 'TC_HDL_ratio', 'TG_HDL_ratio', 'TC_minus_HDL']
Читать полностью…
Machine learning chat
07 March 2026 19:26
вот в чем дело не зря дано второй датасет для теста
Читать полностью…
Machine learning chat
07 March 2026 19:25
Там могут быть данные из одного и того же источника, например от одного и того же пациента
Читать полностью…
Machine learning chat
07 March 2026 19:24
это же надо чтобы оценить модель
Читать полностью…
Machine learning chat
07 March 2026 19:24
ну я по туториалам ютуба сделал
Читать полностью…
Machine learning chat
07 March 2026 19:23
я просто делил первый датасет на трайн и тест потом взял метрики
Читать полностью…
Machine learning chat
07 March 2026 19:22
тест датасет есть но я не использовал его для валидации
Читать полностью…
Machine learning chat
07 March 2026 19:21
А глубина дерева какая?
Читать полностью…
Machine learning chat
07 March 2026 19:20
ну да я просто готовый датасет взяо
Читать полностью…
Machine learning chat
07 March 2026 19:19
Min_sample_leafs пробовал тюнить? (Не помню точное название).
Данные сбалансированы?
Читать полностью…
Machine learning chat
07 March 2026 19:14
норм но кодекс жрет токены как буйвол траву
Читать полностью…
Machine learning chat
07 March 2026 17:01
Добрый день! Помогите пожалуйста кто шарит за PyInstaller. Бинарник собирается, но при запуске падает с ошибкой. Я в бинарник заворачиваю скрипт, запускающий Arize Phoenix.
Файл run_phoenix.py
import sys
sys.argv = ['phoenix', 'serve']
from phoenix.server.main import main
if __name__ == '__main__':
main()
Файл run_phoenix.spec для PyInstaller:
# -*- mode: python ; coding: utf-8 -*-
import os
import sys
from PyInstaller.utils.hooks import collect_data_files, collect_submodules
datas = collect_data_files('phoenix', include_py_files=True)
hiddenimports = [
'sqlalchemy',
'alembic',
'alembic.runtime.migration',
'alembic.operations',
'alembic.ddl',
'uvicorn',
'uvicorn.logging',
'uvicorn.lifespan',
'uvicorn.lifespan.on',
'uvicorn.lifespan.off',
'fastapi',
'pydantic',
'starlette',
'phoenix',
'phoenix.server',
'phoenix.db',
'phoenix.db.migrations'
]
a = Analysis(
['src/vaisor/run_phoenix.py'],
pathex=[],
binaries=[],
datas=datas,
hiddenimports=hiddenimports,
hookspath=['hooks'],
hooksconfig={},
runtime_hooks=[],
excludes=[],
noarchive=False
)
pyz = PYZ(a.pure)
exe = EXE(
pyz,
a.scripts,
[],
exclude_binaries=True,
name='run',
debug=False,
bootloader_ignore_signals=False,
strip=False,
upx=True,
console=True,
disable_windowed_traceback=False,
argv_emulation=False,
target_arch=None,
codesign_identity=None,
entitlements_file=None,
)
coll = COLLECT(
exe,
a.binaries,
a.datas,
strip=False,
upx=True,
upx_exclude=[],
name='run'
)
Запускаю PyInstaller: pyinstaller run_phoenix.spec
Бинарник собирается, но при запуске падает с ошибкой: File “scipy/stats/_distn_infrastructure.py”, line 369, in <module>
NameError: name “obj” is not defined
Читать полностью…
Machine learning chat
05 March 2026 15:05
🌟 Self-Flow: обучение диффузионных моделей без внешних энкодеров от Black Forest Labs.
Black Forest Labs и MIT решили проблему, с которой сталкиваются диффузионные и flow-модели: чтобы генерировать качественные картинки, им нужны сильные семантические представления. Обычно их берут снаружи - выравнивают внутренние признаки модели с признаками энкодера вроде DINOv2. Метод работает, но есть нюанс.
Чем сильнее энкодер, тем хуже результат: в экспериментах замена DINOv2-B на более мощный DINOv3-H+ стойко ухудшала FID. Модель привязывалась к фиксированным внешним представлениям и переставала масштабироваться. На видео и аудио выравнивание с энкодерами V-JEPA2 и MERT вообще давало результат хуже ванильного flow matching.
🟡Self-Flow предлагает механизм Dual-Timestep SchedulingВ стандартном flow matching все токены нойзятся одинаково, поэтому модель решает задачу локально и не учится строить глобальные связи. Self-Flow сэмплирует 2 разных уровня шума и случайно назначает их разным токенам (часть входа зашумлена сильнее, часть чище). Это создает асимметрию: чтобы восстановить сильно зашумленные токены, модель вынуждена опираться на чистые и строить глобальный контекст.
Поверх этого работает самообучение по принципу дистилляции. Обучаются одновременно 2 копии модели: модель-ученик видит смешанный зашумленный вход, модель-учитель - более чистую версию (EMA-копия с экспоненциальным скользящим средним).
Ученик учится предсказывать признаки учителя из зашумленного входа, и это вынуждает его развивать сильные семантические представления без какого-либо внешнего энкодера.
🟡Результаты тестов🟢На ImageNet 256×256 Self-Flow показал FID 5.70 против 5.89 у REPA;
Это, кстати, первый случай, когда self-supervised метод превзошел внешнее выравнивание на этом бенче
🟢На text-to-image: FID 3.61 против 3.92 у REPA;
🟢По видео: FVD 47.81 против 49.75 у REPA;
🟢По аудио: лучшие FAD-оценки среди всех вариантов.
При этом на масштабировании (с 290M до 1B) разрыв с REPA увеличивается: модель Self-Flow на 625M параметров обходит REPA на 1B.
Метод универсален для модальностей - он работает одинаково на картинках, видео и аудио, что намекает на применение для мультимодального обучения. В
репозитории проекта есть код инференса на основе SiT-XL/2 с per-token timestep conditioning, чекпоинт на основе ImageNet 256×256 и скрипты для генерации сэмплов под FID-оценку через ADM evaluation suite. Поддерживаются режимы SDE и ODE, мульти-GPU через torchrun.
🟡Статья🟡Техотчет🖥GitHub@ig_data
#AI #ML #Multimodal #Framework #BFL
Читать полностью…
6051