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...
一発学習みたいなことをしながらも、自分なりにというか、単純に、複雑なパターンを探してみたり...。
1つのリバウンドと多くの「リバウンドしない」を1対200くらいの割合で与えて、1つの例でトレーニングのようなものを行い、モデルから確率を取り出し、モデルが高い確率を示したときに新しいデータで価格がどうなるかを見る......というものです。
現在の価格と自分のパターンを比較して、近さの指標を見るのとほぼ同じですが、ここではモデルの確率を見るのですが...。
正直なところ、案件は少ないが非常に良い場合もあるが、あくまで1つのパターンであり、多くの案件がある可能性もある
例えば、次のような成功パターンがあります。最初のものは電車のようなもので、他はすべて新しいデータです。
私にはよく見えます。
トレーニングはどのように行っていますか？オーバーサンプリング？勾配降下法分類では、200サンプルに1サンプルも処理できない。
1）どのようにトレーニングしているのですか？
2) オーバーサンプリングは行っていますか？
3) 勾配降下法分類では、200分の1のサンプルに対応できない。
1）フォレスト
2）いいえ
3）遺伝子を利用すればできる
1）フォレスト
2）いいえ
3) 遺伝学は
了解です。次にアクティブラーニング、OOSから最も「失敗」した例をチュートリアルに追加し、学習を終了してもらうことでしょう。
了解です。次は、EOCで一番「失敗」した例をチュートリアルに追加して、さらに学習する、というアクティブラーニングを求めるべきでしょう。
いいえ
次に、市場データに適した正しいルールの生成
ツールとしてはシンボリック回帰（遺伝的プログラミング）に魅力を感じているのですが、リソースを消費しすぎるため、まだ考え中です...。
いいえ
次に、市場データに適したルールの生成
ツールとしてはシンボリック回帰に興味があるのですが、リソースがかかりすぎるので...。
サボテンは食べ飽きたのでは？)
SBのパターン探しを想像してみる
SBのパターン探しをイメージしてください
目ではなく、目の中に)
しかし、私は退屈なマテスタットを学ぶ必要がある) しかし、私は創造性の翼で舞い上がりたい)
10個の原始的な特徴でモデルを訓練して、市場全体を表現したいのであれば、それはそれでOKです。
また、ある状況を100の記号と全体のモデルで表現したら、それはSBなのでしょうか？
病気ですか？
応援？
応援しています。FXの裏を破る、完全に破る。
応援しています。FXの裏を破る、完全に破る。
))
少なくともユーモアのセンスはいい。
10個の原始的な特徴でモデルを訓練して、市場全体を表現したいのであれば、それはそれでOKです。
また、ある状況を100の記号と全体のモデルで表現したら、それはSBなのでしょうか？
病気ですか？
符号はすべて価格に由来する。
ルールツリーの束を作るだけで、MOの方がうまくいくんだ
ROCKETを使い、様々な特徴を持たせる。特にminiRocketは
全世界が病んでいて、自分がダルタニアンであることを願いながら、角を突き続けるか。