forked from moreo/QuaPy
27 lines
1.3 KiB
Plaintext
27 lines
1.3 KiB
Plaintext
Cosa fundamental:
|
|
KDE se puede usar para generar 2 distribuciones (una, es un mixture model de KDEs en train condicionados a cada clase,
|
|
y el otro es un KDE en test), de las que luego se calculará la divergencia (objetivo a minimizar). Otra opción es
|
|
generar solo una distribución (mixture model de train) y tomar la likelihood de los puntos de test como objetivo
|
|
a maximizar.
|
|
|
|
- quedarse con hyperparametros mejores por verlos
|
|
- sacar los dataframes en resultados para hcer test estadisticos
|
|
- hacer dibujitos
|
|
|
|
|
|
1) aclarar: only test?
|
|
2) implementar el auto
|
|
- optimización interna para likelihood [ninguno parece funcionar bien]
|
|
- de todo (e.g., todo el training)?
|
|
- independiente para cada conjunto etiquetado? (e.g., positivos, negativos, neutros, y test)
|
|
- optimización como un parámetro GridSearchQ
|
|
3) aclarar: topsoe?
|
|
4) otro tipo de model selection?
|
|
5) aumentar numero de bags
|
|
6) optimizar parametro C? optimizar kernel? optimizar distancia?
|
|
7) KDE de sklearn o multivariate KDE de statsmodel? ver también qué es esto (parece que da P(Y|X) o sea que podría
|
|
eliminar el clasificador?):
|
|
https://www.statsmodels.org/dev/_modules/statsmodels/nonparametric/kernel_density.html#KDEMultivariateConditional
|
|
8) quitar la ultima dimension en sklearn también?
|
|
9) optimizar para RAE en vez de AE?
|