用于分类与特征提取的时间序列森林
机器学习
2013-06-04 v2
摘要
我们提出了一种称为时间序列森林（TSF）的树集成方法，用于时间序列分类。TSF 采用熵增益与一种称为 Entrance（熵与距离）增益的距离度量相结合的方式来评估分裂。实验研究表明，Entrance 增益准则提高了 TSF 的准确性。TSF 在每个树节点随机采样特征，其计算复杂度与时间序列长度呈线性关系，并可使用此处采用的多核计算等并行计算技术构建。本文还提出了时间重要性曲线，以捕捉对分类有用的重要时间特征。实验研究表明，使用均值、偏差和斜率等简单特征的 TSF 优于动态时间规整的一最近邻分类器等强力竞争者，具有计算效率，并能提供对时间特征的洞察。
引用
@article{arxiv.1302.2277,
title = {A Time Series Forest for Classification and Feature Extraction},
author = {Houtao Deng and George Runger and Eugene Tuv and Martyanov Vladimir},
journal= {arXiv preprint arXiv:1302.2277},
year = {2013}
}