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 ............