After computing thousands of featur

After computing thousands of features for each time series in a training set, those that are most informative of the class structure are selected using greedy forward feature selection with a linear classifier. The resulting feature-based classifiers automatically learn the differences between classes using a reduced number of time-series properties, and circumvent the need to calculate distances between time series.

ผลลัพธ์ (ไทย) 1:

หลังจากคำนวณพันของเวลาแต่ละชุดในชุดฝึกอบรม ผู้ที่มีข้อมูลมากที่สุดของโครงสร้างชั้นจะ เลือกใช้ตะกละไปพักเลือกกับ classifier เส้น ที่เกิดขึ้นตามคุณลักษณะคำนามภาษาโดยอัตโนมัติเรียนรู้ความแตกต่างระหว่างเรียนใช้เวลาชุดคุณสมบัติลด และหลีกเลี่ยงจำเป็นต้องคำนวณระยะทางระหว่างลำดับเวลา

ผลลัพธ์ (ไทย) 2:

หลังจากที่คอมพิวเตอร์หลายพันของคุณสมบัติสำหรับแต่ละอนุกรมเวลาอยู่ในชุดการฝึกอบรมผู้ที่มีข้อมูลมากที่สุดของโครงสร้างชั้นจะถูกเลือกใช้ตัวเลือกคุณลักษณะโลภไปข้างหน้ากับลักษณนามเชิงเส้น คุณสมบัติตามที่เกิดขึ้นโดยอัตโนมัติเรียนรู้แยกแยะความแตกต่างระหว่างการเรียนโดยใช้จำนวนที่ลดลงของคุณสมบัติอนุกรมเวลาและหลีกเลี่ยงความจำเป็นในการคำนวณระยะทางระหว่างอนุกรมเวลา

ผลลัพธ์ (ไทย) 3:

หลังจากคอมพิวเตอร์หลายพันคุณสมบัติสำหรับแต่ละชุดในชุดฝึกอบรม ผู้ที่มีข้อมูลมากที่สุดของโครงสร้างชั้นมีเลือกใช้คุณลักษณะการเลือกด้วยโลภไปข้างหน้าเป็นเส้นตรงลักษณนาม คำที่เกิดขึ้นในสารโดยอัตโนมัติเรียนรู้ความแตกต่างระหว่างเรียนโดยใช้การลดจำนวนของอนุกรมเวลา คุณสมบัติ ,และหลีกเลี่ยงการต้องคำนวณระยะทางระหว่างอนุกรมเวลา