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...
'원샷 러닝' 같은 걸 해보지만 나만의 방식으로 하거나 복잡한 패턴을 간단하게 찾아보면...
나는 샘플에 하나의 반동과 많은 "비 반동"을 약 1 대 200의 비율로 제공하고 하나의 예제로 훈련과 같은 것으로 판명 한 다음 모델에서 확률을 가져 와서 새 데이터를 봅니다. 모델이 높은 확률을 보일 때 가격은 어떻게 되나요? ...
그것들은 현재 가격을 일종의 자신의 패턴과 비교하고 근접성의 척도를 보는 것과 거의 동일하지만 여기에서만 모델의 확률을 봅니다 ...
솔직히 가끔. 거래가 거의 없지만 나쁘게 나오지는 않습니다. 하지만 이것은 하나의 패턴일 뿐이고 많은 거래가 있을 수 있습니다.
예를 들어, 여기에 하나의 성공적으로 발견된 패턴이 있습니다. 맨 처음 패턴은 기차 유형이고, 나머지는 모두 새 데이터입니다.
내 생각에는 나쁘지 않다
어떤 방법으로 훈련합니까? 오버샘플링을 사용하고 있습니까? 경사하강법으로 분류하면 샘플 200개 중 1개를 처리할 수 없습니다.
1) 어떻게 훈련합니까?
2) 오버샘플링을 사용합니까?
3) 경사하강법을 사용한 분류는 1~200개 샘플에 대응하지 않습니다.
1) 숲
2) 아니오
3) 유전학은
1) 숲
2) 아니오
3) 유전학은
이해했다. 또한 적극적인 학습을 요청하고 OOS에서 가장 "성공하지 못한" 사례를 교육에 추가하고 교육을 마칩니다.
이해했다. 또한 적극적인 학습을 요청하고 OOS에서 가장 "성공하지 못한" 사례를 교육에 추가하고 교육을 마칩니다.
아니다..
시장 데이터에 적합한 올바른 규칙의 추가 생성
도구로는 기호회귀(유전자프로그래밍)를 좋아했지만 생각하면서 자원을 많이 잡아먹는다..
아니다..
시장 데이터에 적합한 올바른 규칙의 추가 생성
도구로는 기호회귀(유전자프로그래밍)를 좋아했지만 생각하면서 자원을 많이 잡아먹는다..
선인장 먹기가 지겹습니까? )
토요일에 패턴을 찾는 것을 상상해보십시오.
토요일에 패턴을 찾는 것을 상상해보십시오.
눈썹이 아니라 눈에)
하지만 지루한 matstat를 배우기 위해서는 중요하다고 생각해야 합니다. 하지만 창의력의 날개를 타고 날아가고 싶어요)
10가지 기본 기능에 대해 모델을 교육하고 전체 시장을 설명하려는 경우 이것이 정상입니다.
한 가지 상황을 100개의 기호와 전체 모델로 설명하면 이것이 SB입니까?
너 아프니?
너 아프니?
당신을 응원합니다. 외환의 뒷면을 깨고 완전히 깨십시오.
당신을 응원합니다. 외환의 뒷면을 깨고 완전히 깨십시오.
))
글쎄, 적어도 유머 감각으로 모든 것이 괜찮습니다.
10가지 기본 기능에 대해 모델을 교육하고 전체 시장을 설명하려는 경우 이것이 정상입니다.
한 가지 상황을 100개의 기호와 전체 모델로 설명하면 이것이 SB입니까?
너 아프니?
모든 기능은 가격의 파생 상품입니다.
MO가 당신보다 더 잘 알고 있는 많은 규칙/트리를 생성하기만 하면 됩니다.
특히 miniRocket 이 있기 때문에 ROCKET을 사용하고 많은 기호를 생성하십시오.
글쎄, 온 세상이 아프고 당신이 d'artagnan이라는 희망에 뿔을 쉬거나