Representing time series in this wa

Representing time series in this way results in orders of magnitude of dimensionality reduction, allowing the method to perform well on very large datasets containing long time series or time series of different lengths. For many of the datasets studied, classification performance exceeded that of conventional instance-based classifiers, including one nearest neighbor classifiers using Euclidean distances and dynamic time warping and, most importantly, the features selected provide an understanding of the properties of the dataset, insight that can guide further scientific investigation.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:

แสดงลำดับเวลานี้วิธีผลอันดับของขนาดลด dimensionality ช่วยให้วิธีการที่จะทำดีมาก datasets ประกอบด้วยชุดนานหรือเวลาชุดความยาวต่างกัน จำนวนมากของ datasets ศึกษา ประเภทประสิทธิภาพเกินที่ปกติตามตัวอย่างคำนามภาษา รวมถึงใกล้คำนามภาษาเพื่อนบ้านใช้ระยะทาง Euclidean และแปรปรวนเวลาแบบไดนามิก และ สำคัญ เลือกลักษณะการทำงานให้มีความเข้าใจคุณสมบัติของชุดข้อมูล ความเข้าใจที่สามารถแนะนำเพิ่มเติมตรวจสอบทางวิทยาศาสตร์หลังจากคำนวณพันของเวลาแต่ละชุดในชุดฝึกอบรม ผู้ที่มีข้อมูลมากที่สุดของโครงสร้างชั้นจะ เลือกใช้ตะกละไปพักเลือกกับ classifier เส้น ที่เกิดขึ้นตามคุณลักษณะคำนามภาษาโดยอัตโนมัติเรียนรู้ความแตกต่างระหว่างเรียนใช้เวลาชุดคุณสมบัติลด และหลีกเลี่ยงจำเป็นต้องคำนวณระยะทางระหว่างลำดับเวลา

ผลลัพธ์ (ไทย) 2:

ที่เป็นตัวแทนของซีรีส์ในเวลานี้ผลวิธีการในการสั่งซื้อของขนาดของการลดมิติช่วยให้วิธีการที่จะดำเนินการได้ดีในชุดข้อมูลขนาดใหญ่มากที่มีชุดเวลานานหร​​ืออนุกรมเวลาของความยาวที่แตกต่างกัน สำหรับส่วนมากของชุดข้อมูลการศึกษาประสิทธิภาพการจัดหมวดหมู่ที่เกินคำลักษณนามเช่นตามเดิมรวมทั้งคนหนึ่งที่อยู่ใกล้ที่สุดลักษณนามเพื่อนบ้านโดยใช้ระยะทางแบบยุคลิดและแปรปรวนเวลาแบบไดนามิกและที่สำคัญที่สุดคือคุณสมบัติที่เลือกให้ความเข้าใจในคุณสมบัติของชุดข้อมูลที่เข้าใจว่า สามารถให้คำแนะนำในการคำนวณทางวิทยาศาสตร์ต่อไป investigation.After พันของคุณสมบัติสำหรับแต่ละอนุกรมเวลาอยู่ในชุดการฝึกอบรมผู้ที่มีข้อมูลมากที่สุดของโครงสร้างชั้นจะถูกเลือกใช้ตัวเลือกคุณลักษณะโลภไปข้างหน้ากับลักษณนามเชิงเส้น คุณสมบัติตามที่เกิดขึ้นโดยอัตโนมัติเรียนรู้แยกแยะความแตกต่างระหว่างการเรียนโดยใช้จำนวนที่ลดลงของคุณสมบัติอนุกรมเวลาและหลีกเลี่ยงความจำเป็นในการคำนวณระยะทางระหว่างอนุกรมเวลา

ผลลัพธ์ (ไทย) 3:

ของอนุกรมเวลาด้วยวิธีนี้ผลลัพธ์ในคำสั่งของขนาดของการลดลง dimensionality ให้วิธีการที่จะดำเนินการได้ดีในชุดข้อมูลที่มีขนาดใหญ่มากประกอบด้วยชุดเวลานานหรือชุดของความยาวที่แตกต่างกัน สำหรับมากของข้อมูลที่ศึกษาประสิทธิภาพการจำแนกที่เกินของอินสแตนซ์ปกติใช้ลักษณนามรวมถึงเพื่อนบ้านที่ใกล้ที่สุด คือ ใช้ระยะทางคุณภาพЇและที่สำคัญที่สุดคือการเลือกคุณสมบัติให้มีความเข้าใจในคุณสมบัติของข้อมูลเชิงลึกที่สามารถแนะนำเพิ่มเติมทางวิทยาศาสตร์ , การสอบสวน หลังจากคำนวณหลายพันคุณสมบัติสำหรับแต่ละชุดเวลาในการฝึกอบรมชุดผู้ที่มีข้อมูลมากที่สุดของโครงสร้างชั้นมีเลือกใช้คุณลักษณะการเลือกด้วยโลภไปข้างหน้าเป็นเส้นตรงลักษณนาม คำที่เกิดขึ้นในสารโดยอัตโนมัติเรียนรู้ความแตกต่างระหว่างเรียนโดยใช้การลดจำนวนของอนุกรมเวลา และ หลีกเลี่ยง ต้องคำนวณระยะทางระหว่างอนุกรมเวลา