Shapelet 形态特征：从时间序列里学出最有判别力的子形状
Shapelet（Ye-Keogh 2009）是时间序列分类里最有解释性的特征：不是人工画好的『头肩顶』模板，而是从数据里学出来的、最能区分两类序列的子形状——判别标准是信息增益，特征值是序列到该形状的最小 z-norm 距离。240 条合成价格片段实验（一半在随机位置内嵌深度随机的 V 形恐慌-回补形态、一半纯随机游走）：算法在无任何先验下精确还原了植入的 V 形，学出的 28 点 shapelet 单距离特征在测试集上准确率 91.2%、F1 0.91——一维特征、一个阈值、完全可解释，而全序列距离度量在『位置随机』设定下注定失效。信噪比压力测试给出诚实边界：形态深度降到背景波动同量级时准确率坍塌到 52.5% 随机线。与 SAX/Matrix Profile 的分工：MP 找『重复出现的形状』（无监督），shapelet 找『区分类别的形状』（有监督），技术图形分析的科学化版本正是后者。三盆冷水：暴力搜索 O(n²m⁴) 必须近似加速、金融标签又弱又漂移（91% 在金融数据上几乎必然是泄漏）、判别 ≠ 预测——形态搜索空间的多重检验问题比因子挖掘还严重。