libact is a Python package designed to make active learning easier for real-world users. The package not only implements several popular active learning strategies, but also features the active-learning-by-learning meta-algorithm that assists the users to automatically select the best strategy on the fly. Furthermore, the package provides a...
したんですが......ダメでした。
それはおかしいな...。OK、このトピックをもう一回見てみますね〜、後で連絡します。
というのは、公式ドキュメントには記載されていない。
Maximさん、PythonとCatBoostのコンソール版、どちらの学習速度が速いか比較してもらえますか？
おかしいな...。OK、このスレッドをもう一回見てみますね〜、後で報告します。
最初に思い出したように話して、間違っていることが判明した。
先ほどクロスバリデーションで確認したところです。時間は、新しいデータで1-2％増加します。一方、TP=SLでは、予測成功率が予測失敗率を上回り、約5%となっています。つまり、成功の10〜30％は、時間から生まれるということです。
ただし、これは2ヶ月の歴史的な作品でのテストです。もうひとつの歴史について、状況は変わるかもしれません。時間をコサインやサインとして送り込んでいます。これについては、こちら https://www.mql5.com/ru/forum/212376#comment_5983502
0〜5（曜日）、0〜23（時間）、0〜59（分）と同じように、カテゴリ変数として供給することも可能です。
サインとコサインはすでに数値化されており、どのようなアルゴリズムでも受け入れることができます。
比較的新しい傾向として、アクティブラーニングというものがあります。最適な方法でデータをセルフサンプリングすることができます。私のやり方（ランダムサンプリング）には適しているようです。まだ手をつけていない。
https://libact.readthedocs.io/en/latest/overview.html
https://medium.com/towards-artificial-intelligence/how-to-use-active-learning-to-iteratively-improve-your-machine-learning-models-1c6164bdab99
周波数や位相が変化し、振幅が変化する。
4倍高調波10kの履歴に適合したモデルの500ポイントに対する予測は次のとおりです。
予測は500ポイントすべてで有効だが、周波数は理解しがたいアルゴリズムに従って変動していることがわかる
そして、これはあくまで例示であり、もっとひどい場合もあります。
インクリメントで試されましたか？
" 一連のインクリメントの有用な特性の一つは、元のプロセスに比べ、スペクトルの安定性が高いことである。".This is Goodman writing.
時間をコサインやサインとして送り込んでいます。これについては、こちら https://www.mql5.com/ru/forum/212376#comment_5983502
0〜5（曜日）、0〜23（時間）、0〜59（分）と同じように、カテゴリ変数として供給することも可能です。
サインとコサインはすでに数値化されており、どのようなアルゴリズムでも受け入れることができます。
時間をサイン/コサインに変換する関数を掲載できないか？この方法も試してみたいと思います。私が発表した論文では、そこで時間数が有意な予測因子であることが判明しました。この方法は、木製のモデルに適しているのか、それとももっとニューラルネットワークに適しているのか、疑問です。
インクリメントで試されましたか？
" 一連のインクリメントの有用な特性の一つは、元のプロセスに比べ、スペクトルの安定性が高いことである。".This is Goodman writing.
ノー