다변량 시계열 분류

약 40 차원의 시계열 (8 점)으로 구성된 일련의 데이터가 있습니다 (따라서 각 시계열은 8 x 40입니다). 해당 출력 (범주에 가능한 결과)은 0 또는 1입니다.

여러 차원의 시계열 분류기를 설계하는 가장 좋은 방법은 무엇입니까?

저의 초기 전략은 해당 시계열에서 각 차원의 평균, 표준, 최대 변동을 추출하는 것이 었습니다. RandomTreeForest를 훈련시키는 데 사용되는 데이터 세트를 얻었습니다. 이것의 완전한 순진함을 알고, 나쁜 결과를 얻은 후에, 나는 더 개선 된 모델을 찾고 있습니다.

내 리드는 다음과 같습니다. 각 차원에 대해 계열을 분류하고 (KNN 알고리즘 및 DWT를 사용하여) PCA로 차원을 줄이고 다차원 범주에 따라 최종 분류기를 사용합니다. ML에 비교적 익숙하지 않기 때문에 완전히 틀렸는 지 모르겠습니다.

당신은 올바른 길을 가고 있습니다. 시간 및 주파수 영역에서 몇 가지 기능을 더 계산해보십시오. 샘플 수 >> 기능 수만 있으면 과적 합할 가능성이 없습니다. 비슷한 문제에 대한 문헌이 있습니까? 그렇다면 항상 훌륭한 출발점이됩니다.

xgboost 또는 LightGBM과 같은 부스트 ​​트리 분류기를 사용해보십시오. 하이퍼 파라미터를 조정하는 것이 더 쉬우 며 기본 매개 변수로 좋은 결과를 제공합니다. 랜덤 포레스트 및 부스트 트리 분류기는 모두 기능 중요도를 반환 할 수 있으므로 문제와 관련된 기능을 확인할 수 있습니다. 공분산을 확인하기 위해 기능을 제거 할 수도 있습니다.

가장 중요한 것은 결과가 예기치 않게 좋지 않은 경우 문제가 올바르게 정의되어 있는지 확인하십시오. 파이프 라인에 버그가 없는지 수동으로 결과를 확인하십시오.

Python을 사용하는 경우 시계열에서 수백 또는 수천 개의 기능을 자동으로 추출하고 레이블과 상관 관계를 맺고 가장 중요한 것을 선택하고 모델을 훈련시킬 수있는 몇 가지 패키지가 있습니다.

https://github.com/blue-yonder/tsfresh

https://github.com/rtavenar/tslearn

아래와 같이 데이터 세트에 더 많은 기능을 추가 할 수 있습니다.

1. 데이터가 비선형 프로세스 인 경우 nolds 패키지를 사용해 볼 수 있습니다.

2. max, min, mean, skew, kurtosis 및 가능한 경우 일부 롤링 통계.

비슷한 일을하고 있는데 관련 질문을했습니다 .

Jan van der Vegt에 동의합니다. 활성화 함수와 결합 된 표준화 (예 : [-1, 1]) 또는 정규화 N (0, 1)은 신경망에서 매우 중요합니다. 나는 Pichaid Varoonchotikul의 논문을 점검 할 것입니다 :“인공 신경망을 이용한 홍수 예측”은 ANN의 안과 밖을위한 것입니다. 매우 흥미로운 경고가 있습니다. 어쨌든, 나는 먼저 시도하지 않고 사용하지만 결과가 만족스럽지 않으면 두 가지 모두로 시험을 사용합니다. 그것이 도움이 될지는 모르지만 R 패키지 TSclust 및 관련 문서를 확인 하겠습니다 . 저자는 매우 친절하며 특정 모델을 찾는 데 도움이 될 것입니다. 그들은 시계열 분석 전문가입니다! 행운을 빕니다!