#feature engineering

И исследования ·22 июл 2026

Модель с точностью 35% обыграла рынок на 12%: когда калибровка важнее accuracy

Исследователь обучил модель предсказывать доходность акций S&P 500 на основе качественных факторов из 10-K отчётов. Точность — всего 35%, но топ-20 компаний по рангу модели принесли 20,6% годовых против 7,9% рынка. Главный урок: для инвестиционных решений важна калибровка и ранжирование, а не классическая accuracy. Второй сюрприз: добавление признаков ухудшило результат — слабые сигналы просто добавили шум.

0 77

И инструменты ·25 июл 2026

FunctionTransformer в Scikit-learn: когда данным нужна не новая модель, а правильное математическое преобразование

Статья объясняет, как математические преобразования признаков (логарифм, квадратный корень, степенные функции) могут улучшить качество моделей машинного обучения без смены алгоритма. Автор показывает, когда такие трансформации нужны, какие модели от них выигрывают, и как правильно встроить их в pipeline через FunctionTransformer из Scikit-learn.

0 19