股票
-
Ensemble PyTorch: 通用深度学习集成学习框架
· · · Ensemble PyTorch 是什么 集成学习通过组合多个模型来帮助提高机器学习结果。与单一模型相比，这种方法可以产生更好的预测性能。基本思想是学习一组分类器（专家…
-
为什么你的机器学习模型不收敛？考虑是不是由于非凸函数的影响
· · · 在机器学习中，优化模型是一个关键的任务，我们希望通过调整模型参数来最小化损失函数。通常情况下，我们会使用梯度下降等优化算法来进行参数更新。然而，如果我们的损失函数是非凸…
-
[特征工程]特征选择方法分析和对比
· · · 一. 本文简介 特征选择是为了提高机器学习模型的性能和泛化能力而从大量特征中选择最有用和相关的特征。然而，现有的特征选择基准主要关注传统模型和人工构造的数据集，无法很好…
-
深度学习模型调优技巧汇总
· · · 作为一名机器学习从业者，您可能会面临这样的情况：在微调预先训练的模型时，您可能会发现模型的准确性似乎已经达到了瓶颈，无法再进一步提高。本文将介绍一些优化的技术和策略，将…
-
UnbiasedGBM：使用无偏梯度提升解决GBDT模型存在的偏差问题
· · · 一 GBDT模型存在的问题 GBDT是一种被广泛应用于各个领域的机器学习模型，但在特征选择和过拟合方面存在偏差问题。当涉及到特征选择时，传统的GBDT模型存在一些偏差问…
-
概念漂移：时序模型失效的重要原因
· · · 一. 什么是概念漂移 机器学习和数据挖掘中的概念漂移是指潜在问题中输入和输出数据之间的关系随时间的变化。在其他领域，这种变化可能被称为“协变量偏移”、“数据集偏移”或“…
-
River：Python中进行流数据机器学习的工具
· · · 一. 什么是在线机器学习 在线机器学习是一种机器学习的方法，其中模型通过逐个处理数据流中的样本来进行训练和更新。与传统的批处理方式相比，在线机器学习可以在数据流不断到达…
-
大模型技术在表格数据任务上的应用进展
· 论文 | Meta contrastive label correction for financial time series · · 表格任务是指涉及处理和理解结构化表格数…
-
时间序列分析中的平稳性
· 论文 | Meta contrastive label correction for financial time series · · 一 为什么时间序列的平稳性很重要？ 时…
-
XGBoost 与 LightGBM有什么不同？
· 论文 | Meta contrastive label correction for financial time series · · 近年来，梯度提升（boosting）算…
-
Polars:加速DataFrame数据处理的利器
· 论文 | Meta contrastive label correction for financial time series · · Polars是一个用于数据处理和分析的…
-
使用XGBoost预测排名
· 论文 | Meta contrastive label correction for financial time series · · 赛马是一项古老而受欢迎的运动，涉及赛马…
