Python 时间序列分类完整介绍

时间序列数据在众多行业中无处不在，然而，虽然时间序列预测受到相当多的关注，但时间序列分类却经常被忽视。本文全面介绍了时间序列分类，探索其实际应用，回顾各种方法，并在基于 Python 的分类项目中演示其中一些技术。让我们开始吧！

理解时间序列分类

时间序列分类是一种监督机器学习技术，其中随着时间的推移测量的一个或多个特征用于分配类别。 目标是标记时间序列而不是预测未来值。

时间序列分类的实际应用

时间序列分类有着广泛的用途，特别是在传感器数据方面。 主要应用包括：

• 预测性维护：监控设备以预测潜在故障。
• 医疗保健：分析心电图 (ECG) 数据以评估患者健康状况。
• 语音识别：根据声波模式识别口语单词和说话人。
• 食品光谱学：从光谱数据中确定酒精含量或识别食品成分。
• 网络安全：检测表明欺诈或违规的异常活动。

这些多样化的应用凸显了时间序列分类在各个领域的重要性。

时间序列分类模型概述

时间序列分类有多种方法。 本节对每个内容进行简要概述，并在本专用指南中提供更详细的解释[链接到指南，如果有的话]。

1。基于距离的模型： 这些模型利用距离度量（例如欧几里德距离）对样本进行分类。动态时间规整 (DTW) 提供了一种更稳健的方法，可适应一系列不同的长度并处理稍微异相的模式。 示例包括 K 最近邻 (KNN) 和 ShapeDTW。

2。基于字典的模型： 这些模型使用符号对系列模式进行编码，并利用符号频率进行分类。 示例包括 BOSS、WEASEL、TDE 和 MUSE。

3。集成方法： 这些不是模型本身，而是结合多个基本估计器以改进预测的框架。 一个关键优势是它们能够使用单变量模型（例如，bagging）处理多变量数据。 示例包括装袋、加权集成和时间序列森林。

4。基于特征的方法：这些方法从时间序列中提取特征（例如，汇总统计、Catch22、矩阵配置文件、TSFresh），然后用于训练分类器。

5。基于间隔的模型： 这些模型从时间序列中提取多个间隔，使用上述方法计算特征，然后训练分类器。示例包括 RISE、CIF 和 DrCIF。

6。基于内核的模型： 这些模型使用内核函数将时间序列映射到更高维度的空间，以便于分类。示例包括支持向量分类器 (SVC)、Rocket 和 Arsenal（Rocket 的集合）。

7。 Shapelet 分类器： 该分类器识别并利用 shapelet（判别性子序列）基于距离比较进行分类。

8。元分类器： 这些结合了各种方法来实现稳健的分类性能。 HIVE-COTE 是一个例子，它结合了 TDE、Shapelet、DrCIF 和 Arsenal，尽管它的计算成本很高。

方法的选择取决于数据特征、计算资源和所需的准确性等因素。

实践时间序列分类项目 (Python)

本节将上述一些技术应用于 BasicMotions 数据集 [数据集链接]，其中包括来自执行各种活动（站立、行走、跑步、羽毛球）的个人的加速度计和陀螺仪数据。

设置：

<code class="language-python">import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

from sktime.datasets import load_basic_motions
from sklearn.model_selection import GridSearchCV, KFold</code>

数据加载：

<code class="language-python">X_train, y_train = load_basic_motions(split='train', return_type='numpy3D')
X_test, y_test = load_basic_motions(split='test', return_type='numpy3D')</code>

数据可视化（比较步行和羽毛球的示例）：

<code class="language-python"># ... (Visualization code as provided in the original article) ...</code>

KNN 分类：

<code class="language-python"># ... (KNN code as provided in the original article) ...</code>

用黄鼠狼装袋：

<code class="language-python"># ... (Bagging with WEASEL code as provided in the original article) ...</code>

评价：

<code class="language-python"># ... (Evaluation code as provided in the original article) ...</code>

结论

本文介绍了时间序列分类，涵盖了其应用和各种方法。 实际项目演示了KNN和WEASEL装袋的应用。 鼓励对该领域的进一步探索。

后续步骤

要继续学习，请考虑探索原始文章中提到的资源，包括时间序列分类方法指南和有关该主题的课程。

参考文献

• BasicMotions 数据集 — [数据集链接]
• Sktime — [sktime 链接]

以上是Python 时间序列分类完整介绍的详细内容。更多信息请关注PHP中文网其他相关文章！