это можно проверить, сконструировав catboost.Pool из этого dataframe

на глаз минут 5-7 на 7820

позже могу замерить чисто создание пула, но это явно не час с лишним, после которого я перед этим начал спрашивать

Это не обязательно, спасибо большое за твое участие:)

Привет, подскажите, что означает ошибка?

Это загрузка модели?

Подскажите, пожалуйста, есть ли разница в том, как сохранять модель на диск: через `save_model` или просто с помощью `pickle`?

save_model может сохранять в бОльшее число форматов модели, чем pickle, который python-specific.

Еще pickle сохраняет дополнительные атрибуты класса CatBoost* в отличие от save/load_model.

Привет.
У меня есть 4 значения logloss
1. Выборка - train
2.Выборка - test
3. Cv - train
4.Cv - test
Первые две понятно, что мы обучили Модель и проверили на тесте качество
А 3 и 4 мы просто разбиваем Модель x-раз на train/test и каждый раз заново учим ее и проверяем на тесте для определения стабильности модели, но сами результаты x Новых обучившихся моделей не используем ?
То есть, если все ок, используем параметры той первой модели ?

Стабильность модели это другое. Кросс-валидация нужна, чтобы получить оптимальну оценку точности модели с точки зрения смещения и дисперсии. Если оценка получаения на CV устраивает, то для production-использования можно обучиться вообще на всей выборке, не разбивая на train и test.

То есть просто смотрим не ухудшилось ли качество на кросс-валидации и есть кардинального падения не случилось, то смело используем параметры исходной модели ?

Нет. Просто выбираешь как-нибудь модель, если результаты кросс-валидации устраивают.

Вообще, заморачиваться нужно, если выборка маленькая.

Из чего выбирать? У меня есть обученная на трейне Модель , которая на тесте хорошо себя показала, и потом на кроссвалидации на 5 фолдах также все хорошо

Я думал ее и оставлять нужно

Можешь взять её, а можешь другую, которая имеет большое качество, например

на logloss по train я бы тоже смотрел

А что разве можно сохранять модели из кросс-валидации ?