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...
我做了--没有用。
这很奇怪...好吧，我再看看这个话题--以后再告诉你。
这在官方文件中没有列出。
Maxim，你能比较一下哪里的学习速度更快，在python中还是在CatBoost的控制台版本中？
很奇怪...好的，我再看一下这个主题--我稍后再报告。
第一次发言是出于回忆，结果发现是错误的。
刚才用交叉验证法检查了一下。在新的数据上，时间仍然有1-2%的增长。而在TP=SL时，成功的预测比不成功的预测的总流行率约为5%。也就是说，对成功的贡献有10%到30%来自于时间。
然而，这是对2个月的历史片段的测试。在另一段历史上，事情可能会发生变化。我把时间当作余弦和正弦来输入。这里已经讨论过这个问题，https://www.mql5.com/ru/forum/212376#comment_5983502
正如0...5（星期）或0...23（小时）或0...59（分钟）也可以被送入，但是作为一个分类变量。
正弦和余弦已经是数字了，任何算法都可以接受。
有一个相对较新的趋势，叫做主动学习。它能以最佳方式对数据进行自我取样。它似乎适合我的方法（随机抽样）。我还没有进入它。
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
随着我们的发展，频率和可能的相位都在浮动......振幅在保持......
下面是对4次谐波的10k历史上的500点拟合模型的预测
我们可以看到，预测对所有500个点都是有效的，但频率是波动的，而且是按照一种难以理解的算法波动的
而这只是一个说明性的例子，有时情况甚至更糟。
你在增量上试过吗？
" 一系列增量的有用特性之一是与原始过程相比，光谱的稳定性更高。".这是古德曼的写作。
我把时间当作余弦和正弦来输入。这里已经讨论过这个问题，https://www.mql5.com/ru/forum/212376#comment_5983502
正如0...5（星期）或0...23（小时）或0...59（分钟）也可以被送入，但是作为一个分类变量。
正弦和余弦已经是数字了，任何算法都可以接受。
你能公布将时间转换为正弦/余弦的函数吗？我也会尝试这种方法。在我发表的文章中，小时数在那里变成了一个重要的预测因素。我不知道这种方法是否适用于木质模型或更多地适用于神经网络。
你在增量上试过吗？
" 一系列增量的有用特性之一是与原始过程相比，光谱的稳定性更高。".这是古德曼的写作。
不