量化
-
Functime:支持接入大模型的时间序列特征提取和预测工具
· · · 在数据分析和机器学习领域，时间序列数据的处理和预测是一个关键且复杂的任务。Functime是一个专为大规模时间序列数据分析而设计的Python库，它利用Polars库的…
-
AFS-BM：一种自适应数据变化的二进制掩码特征选择[附开源代码]
· 论文 | Meta contrastive label correction for financial time series · · 一 本文简介 随着数字时代的到来，我们…
-
RNC：通过排名对比学习改进回归算法的鲁棒性和泛化能力
· · · 一 本文概要 回归问题在现实世界中非常常见和基础，涉及各种任务和领域。比如，通过人的外貌来估计年龄、通过人的生理信号来预测健康状况，或者通过摄像头图像来检测注视方向等等…
-
RWKV-TS：超越传统的时间序列任务递归神经网络
· · · 一 本文概要 传统的递归神经网络（RNN）架构，如LSTM和GRU，在时间序列任务中一直很流行。然而由于存在长期依赖难以建模，梯度不稳定，计算效率低等局限性，最近的时间…
-
UnetTSF：一个性能更好的线性复杂度时间序列预测模型
· · · 一. 本文简介 最在时间序列预测领域，基于Transformer的模型取得了显著的进展，并且表现出很好的结果，成为超越传统的线性模型的新基准模型。本文提出了一种名为Un…
-
通过强化学习应对概念漂移的特征选择框架
· · 一. 本文概要 特征选择是机器学习中一个重要的步骤，它可以帮助我们减少数据冗余并减轻模型过拟合的问题。但是，在流数据中，经常会出现概念漂移的现象，这会严重影响模型的性能。…
-
TorchExplorer: 交互式的神经网络可视化工具
· · · TorchExplorer是一个用于PyTorch深度学习框架的工具，它提供了一种交互式方式来检查神经网络中每个nn.Module的输入、输出、参数和梯度。它可以帮助深…
-
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…
