在非数据自适应表示法中,转换参数对所有时间序列都是一样的,无论其性质如何。 在数据自适应表示法中,转换的参数根据可用的数据而变化。一种基于模型的表示方法依赖于假设,即观察到的时间序列是基于基本模型创建的。其目的是找到这样一个模型的参数作为代表。如果两个时间序列是由一个基本模型的同一组参数产生的,则被认为是相似的。在数据支配的方法中,压缩率是根据原始的时间序列自动定义的,如剪切(Aghabozorgi, Seyed Shirkhorshidi, and Ying Wah(2015))。
最著名的(众所周知的)非数据自适应类型的表征方法是PAA(分片聚合逼近)、DWT(离散小波变换)、DFT(离散傅里叶变换)、DCT(离散余弦变换)或PIP(感知重要点)。对于数据自适应类型的表示,它是SAX(Symbolic Aggregate approXimation),PLA(Piecewise Linear Approximation)和SVD(Singular Value Decomposition)。对于基于模型的表述,它是ARMA、平均轮廓或来自统计模型(如线性模型)的估计回归系数。被支配的数据是不太为人所知的表征类型,这种类型最著名的方法是剪切(位级表征)(Bagnall等人)。(2006)).
TSrepr is R package for fast time series representations and dimensionality reduction computations. Z-score normalisation, min-max normalisation, forecasting accuracy measures and other useful functions implemented in C++ (Rcpp) and R. Installation You can install TSrepr directly from CRAN: Or development version from GitHub with: Overview All...
Уже несколько раз вставал вопрос о движении валют в зависимости от времени суток . Все выступают с определенными мнениями , которые они сформировали наблюдая за рынком . Гораздо проще привести данные обработки торговой стратегии в которой покупка осуществляется в начале часа продажа ( закрытие позиции) в конце (начале следующего) часа . Исходя...
这是一个复杂的事情,你不能确切地知道如何接近它......这一切都很模糊。
我不知道这是不是按标志做的太多了还是什么。
什么事?
在这里 找到的。
检查了来源,但我在任何地方都没有看到关于这种方法的不良表现的明确结论....
什么事?
请看R中非常有趣的TSrepr(时间序列表征)包。
"时间序列表示方法可分为四组(类型)(Ratanamahatana等人)。(2005)):
在非数据自适应表示法中,转换参数对所有时间序列都是一样的,无论其性质如何。 在数据自适应表示法中,转换的参数根据可用的数据而变化。一种基于模型的表示方法依赖于假设,即观察到的时间序列是基于基本模型创建的。其目的是找到这样一个模型的参数作为代表。如果两个时间序列是由一个基本模型的同一组参数产生的,则被认为是相似的。在数据支配的方法中,压缩率是根据原始的时间序列自动定义的,如剪切(Aghabozorgi, Seyed Shirkhorshidi, and Ying Wah(2015))。
最著名的(众所周知的)非数据自适应类型的表征方法是PAA(分片聚合逼近)、DWT(离散小波变换)、DFT(离散傅里叶变换)、DCT(离散余弦变换)或PIP(感知重要点)。对于数据自适应类型的表示,它是SAX(Symbolic Aggregate approXimation),PLA(Piecewise Linear Approximation)和SVD(Singular Value Decomposition)。对于基于模型的表述,它是ARMA、平均轮廓或来自统计模型(如线性模型)的估计回归系数。被支配的数据是不太为人所知的表征类型,这种类型最著名的方法是剪切(位级表征)(Bagnall等人)。(2006)).
在TSrepr包中,这些时间序列表示方法得到了实现(括号中是函数名称)。
Nondata适应性。
数据适应性强。
基于模型。
数据的支配。
它给出的转化非常有趣,包括聚类。
祝好运
看看R中非常有趣的TSrepr(时间序列表征)包。
记住,当我让你为mt4做一个脚本时,有来自nfor软件包的训练过的神经元,而目标是来自TSrepr的PIP--感知重要点(repr_pip):)
弗拉基米尔!我有几个问题,如果可以的话。
1) 请告诉我,在欧元兑美元的人字形方向分类上,你设法达到的最大误差是多少?你在做这件事时是否使用了noisefilter?
2) 你在文章中描述的预测因子的 "离散化 "是否会降低学习的质量?
3) 我想尝试做某种元学习,在最低水平上,想法的要点如下。
n1.在数据上训练一个预报员
n2.我们把Forest生成的所有规则拉出来,作为新的预测器提交;每个规则都是一个预测器,所以我们有500-1000个规则。预测器看起来很 "稀疏",但能做什么呢?
P.3 在预测器规则上训练一个新模型...
这个想法是为了
1)增加预测因子的数量
2)获得更复杂、更深入的规则,即层次更复杂的规则
3)森林显示的预测是所有规则(树)的总和,我认为如果我们不考虑所有规则的总和,而是分别考虑规则,那么我们可以更好地分离类标签,也许可以找到一些独特的规则组合等等。
问题是:我刚才写的不是通常的梯度提升吗?
4) 另外,我在哪里可以得到我使用的那些光谱指标satl、 fatl等 ?
在这里 找到的。
我读了这个主题,得出了同样的 结论。而cssa预测做得很巧妙,逐渐提前一步进行预测,它真的有那么大的效果吗?
bpf和ssa之间有什么速度上的比较吗?否则,采取复杂的小波,也是同样的Lessage数字。只是不知道如何把它们放到优化器中,它更适合于视觉调整。
cssa译为因果SSA。这个方法是在2013年的书 中。
奥列格和米克卢哈被禁赛了?)
奥列格被解禁了,但米克洛赫却因为某些原因被解禁了 ............