AV
стратификацию сдклать при разбиении надо
Не поможет, если всего 1 элемент определенного класса. Единственный workaround сделать oversampling или undersampling по этому классу, иначе catboost падает.
Size: a a a
2021 March 12
TB
Не поможет, если всего 1 элемент определенного класса. Единственный workaround сделать oversampling или undersampling по этому классу, иначе catboost падает.
Может выкинуть проще? Пока не появится достаточное количество
SK
'loss_function':'MultiClass', 'eval_metric': 'Accuracy'
Многое зависит от структуры меток, возможно метки плохоразделимы, надо бы посмотреть на confusion matrix глазами:) и в целом, если у вас сбалансированный датасет такая accuracy обозначает, что модель таки чему-то выучилась.
ES
Многое зависит от структуры меток, возможно метки плохоразделимы, надо бы посмотреть на confusion matrix глазами:) и в целом, если у вас сбалансированный датасет такая accuracy обозначает, что модель таки чему-то выучилась.
Метки все числовые и действительно очень плохо различимы - исследую возможности catboost для крипто-валютного рынка.
Датасет хорошо сбалансирован - примерно 50/50)
Датасет хорошо сбалансирован - примерно 50/50)
SK
а если метки числовые, точно нужно решать задачу мультиклассификации? Порядок этих меток не может дать какой-то информации?
ES
а если метки числовые, точно нужно решать задачу мультиклассификации? Порядок этих меток не может дать какой-то информации?
Как раз это я и проверяю)
Предоставляя все возможные комбинации меток catboost-у.
Спасибо буду тестировать дальше)
Предоставляя все возможные комбинации меток catboost-у.
Спасибо буду тестировать дальше)
L
'loss_function':'MultiClass', 'eval_metric': 'Accuracy'
MultiClassOneVsAll будет лучше + eval metric : f1_score
L
MultiClassOneVsAll будет лучше + eval metric : f1_score
Если больше 2х классов)
ES
MultiClassOneVsAll будет лучше + eval metric : f1_score
Сейчас обучаюсь на двух-классах 0-Тренд вниз, 1-вверх
В этом варианте оптимально:
loss_function':'MultiClass', 'eval_metric': 'Accuracy
Так ?
В этом варианте оптимально:
loss_function':'MultiClass', 'eval_metric': 'Accuracy
Так ?
L
Сейчас обучаюсь на двух-классах 0-Тренд вниз, 1-вверх
В этом варианте оптимально:
loss_function':'MultiClass', 'eval_metric': 'Accuracy
Так ?
В этом варианте оптимально:
loss_function':'MultiClass', 'eval_metric': 'Accuracy
Так ?
Я бы так и сделал) если не секрет какой таймфрейм используется и много ли данных в обучении?
L
Сейчас обучаюсь на двух-классах 0-Тренд вниз, 1-вверх
В этом варианте оптимально:
loss_function':'MultiClass', 'eval_metric': 'Accuracy
Так ?
В этом варианте оптимально:
loss_function':'MultiClass', 'eval_metric': 'Accuracy
Так ?
Если добавить flat trend то как раз можно использовать multiclassonevsall
ES
Я бы так и сделал) если не секрет какой таймфрейм используется и много ли данных в обучении?
ТФ-5 мин, 10000 для обучения и 2000 на проверку)
L
ТФ-5 мин, 10000 для обучения и 2000 на проверку)
10k это мало)
ES
У меня почему результат мало зависит от количества: bestTest=0.69 и на 1000 и на 10000
L
У меня почему результат мало зависит от количества: bestTest=0.69 и на 1000 и на 10000
Надо ещё фич добавить, только нужно подумать какие, и это я не про ema rsi macd
L
У меня почему результат мало зависит от количества: bestTest=0.69 и на 1000 и на 10000
L
Старая база, но данных много для анализа
L
И тот же пользователь выложил на гитхабе либу для парсинга, можете у него в профиле чекнуть, удобная штука
ES
Надо ещё фич добавить, только нужно подумать какие, и это я не про ema rsi macd
Спасибо за ссылку. Это действительно огромная база, но думаю, хорошо бы сначала подобрать правильно фичи и научить модель давать хороший результат на небольших данных...)
ES
Надо ещё фич добавить, только нужно подумать какие, и это я не про ema rsi macd
Подскажите, пожалуйста, а модель как то можно дообучать или только с нуля заново?