34 lines
1.9 KiB
Plaintext
34 lines
1.9 KiB
Plaintext
Para quitar el labelledcollection de los métodos:
|
|
|
|
- El follón viene por la semántica confusa de fit en agregativos, que recibe 3 parámetros:
|
|
- data: LabelledCollection, que puede ser:
|
|
- el training set si hay que entrenar el clasificador
|
|
- None si no hay que entregar el clasificador
|
|
- el validation, que entra en conflicto con val_split, si no hay que entrenar clasificador
|
|
- fit_classifier: dice si hay que entrenar el clasificador o no, y estos cambia la semántica de los otros
|
|
- val_split: que puede ser:
|
|
- un número: el número de kfcv, lo cual implica fit_classifier=True y data=todo el training set
|
|
- una fración en [0,1]: que indica la parte que usamos para validation; implica fit_classifier=True y data=train+val
|
|
- un labelled collection: el conjunto de validación específico; no implica fit_classifier=True ni False
|
|
- La forma de quitar la dependencia de los métodos con LabelledCollection debería ser así:
|
|
- En el constructor se dice si el clasificador que se recibe por parámetro hay que entrenarlo o ya está entrenado;
|
|
es decir, hay un fit_classifier=True o False.
|
|
- fit_classifier=True:
|
|
- data en fit es todo el training incluyendo el validation y todo
|
|
- val_split:
|
|
- int: número de folds en kfcv
|
|
- proporción en [0,1]
|
|
- fit_classifier=False:
|
|
|
|
|
|
|
|
- [TODO] document confidence in manuals
|
|
- [TODO] Test the return_type="index" in protocols and finish the "distributing_samples.py" example
|
|
- [TODO] Add EDy (an implementation is available at quantificationlib)
|
|
- [TODO] add ensemble methods SC-MQ, MC-SQ, MC-MQ
|
|
- [TODO] add HistNetQ
|
|
- [TODO] add CDE-iteration and Bayes-CDE methods
|
|
- [TODO] add Friedman's method and DeBias
|
|
- [TODO] check ignore warning stuff
|
|
check https://docs.python.org/3/library/warnings.html#temporarily-suppressing-warnings
|