DoubleEnsemble，基于学习轨迹的样本权重方法+基于shuffling的特征筛选方法

文章预览

DoubleEnsemble: A New Ensemble Method Based on Sample Reweighting and Feature Selection for Financial Data Analysis , ICDM'20 https://arxiv.org/abs/2010.01265 这篇文章提出了一种新的集成学习方法，将 sample re-weighting 和 feature selection 结合起来，从而应对金融预测任务中的极低信噪比和极易过拟合的问题。针对 reweighting和feature selection，作者均提出了较为创新且实用的方法。 迭代集成 在 金融预测 场景中，集成学习是一种十分常见的用于提升模型泛化性能的方法，其操作也十分简单，例如直接训练K个模型 ，集成模型预测，即为这K个模型预测结果的平均 . DoubleEnsemble 的集成流程稍微复杂一点，因为该方法希望不断调整样本的权重，并进行特征筛选，所以涉及到一个迭代过程，在迭代的过程中，不断构造新模型，最后将所有模型进行集成，大体步骤是这样的： 训练第一个模型 ，这时 ………………………………