Most state-of-the-art (SOTA) time series classification methods are limited by high computational complexity. This makes them slow to train on smaller datasets and effectively unusable on large datasets. Recently, ROCKET (RandOM Convolutional KErnel Transform) has achieved SOTA of accuracy in just a fraction of the time as other SOTA time...
我尝试类似 "一针见血的学习"，但以我自己的方式，或者简单地说，我试图寻找复杂的模式......
我给出了一个反弹和许多 "不反弹 "的比例，大约是1比200，所以我用一个例子得到了一种训练，然后我从模型中获取概率，看看当模型显示出更高的概率时，新数据的价格会发生什么......
这与将当前价格与我自己的模式进行比较并查看接近度的措施几乎相同，但在这里我看的是模式的概率...
坦率地说，有时它是非常好的，虽然交易不多，但它只是一个模式，可能有很多模式
下面是一个成功的模式，例如，第一个是一种火车，所有其他的是新的数据。
对我来说，这看起来不错。
你是如何训练的？过度取样？梯度下降分类无法处理200个样本中的1个。
1）你是如何训练的？
2）你是否应用超采样？
3）梯度下降分类无法处理200分之一的样本。
1) 福斯特
2）没有
3）你可以用遗传学来做这件事
1) 福斯特
2）没有
3) 遗传学可以
明白了。接下来你可能要要求主动学习，把OOS中最 "不成功 "的例子添加到教程中，完成学习。
明白了。接下来你可能应该要求主动学习，将EOC中最 "不成功 "的例子添加到辅导书中，并学习更多。
没有。
接下来，生成适合市场数据的正确规则
我被符号回归（遗传编程）这个工具所吸引，但它消耗了太多的资源，所以我还在考虑......
没有。
接下来，为市场数据生成正确的规则
我对符号回归这个工具很感兴趣，但它太耗费资源了，所以我在想......
你不厌倦吃仙人掌吗？)
想象一下，在SB上找寻模式
想象一下，在SB上找寻模式
不是在眼睛里，而是在眼睛里）。
但我需要学习枯燥乏味的马斯特拉特）但我想乘着创造力的翅膀翱翔。）
如果你在10个原始特征上训练一个模型，并想描述整个市场，那是可以的。
而如果我用一百个标志和整个模型来描述一种情况，那是SB吗？
你生病了吗？
欢呼？
为你欢呼。打破外汇的背面，彻底打破它。
为你欢呼。打破外汇的背面，彻底打破它。
))
至少他们的幽默感是好的。
如果你在10个原始特征上训练一个模型，并想描述整个市场，那是可以的。
而如果我用一百个标志和整个模型来描述一种情况，那是SB吗？
你生病了吗？
所有标志都来自于价格。
你所做的只是创造了一堆规则，而MO可以比你做得更好。
以ROCKET为例，做了一堆特征，尤其是有一个miniRocket。
好吧，要么继续驼着你的角，希望整个世界都病了，而你是达达尼昂。