探索时间序列数据的层次分类性能：相异性度量与分类器比较
机器学习
2024-02-09 v1
摘要
本研究探讨了层次分类（HC）与平面分类（FC）方法在时间序列数据分析领域的性能比较。研究利用了包括Jensen-Shannon距离（JSD）、任务相似性距离（TSD）和基于分类器的距离（CBD）在内的相异性度量，并结合了多种分类器，如MINIROCKET、STSF和SVM。分析采用了一组来自UCR档案库的数据集子集，重点关注包含两个以上类别的多类案例。观察到一个显著趋势：当与使用TSD的MINIROCKET配对时，HC表现出显著优于FC的性能，这与传统理解不同。相反，当采用STSF和SVM等替代分类器时，FC在所有配置中均表现出一致的优势。此外，发现TSD在几乎所有场景下都一致优于CBD和JSD，除了在涉及STSF分类器的情况下，CBD表现出更优的性能。这种差异突显了相异性度量的细微差别，并强调了根据所使用的数据集和分类器进行定制选择的重要性。这些发现为时间序列数据分析领域中分类方法与相异性度量之间的动态相互作用提供了宝贵的见解。通过阐明不同配置下的性能差异，为优化分类方法和相异性度量以在多样化分析场景中优化性能奠定了基础。此外，本研究强调了继续研究的必要性，旨在阐明驱动时间序列数据分析中分类性能的潜在机制，这对增强各个领域的预测建模和决策制定具有重要意义。
引用
@article{arxiv.2402.05275,
title = {Exploring Hierarchical Classification Performance for Time Series Data: Dissimilarity Measures and Classifier Comparisons},
author = {Celal Alagoz},
journal= {arXiv preprint arXiv:2402.05275},
year = {2024}
}
备注
9 pages, 2 figures, 5th International Mediterranean Congress 1, 1367-1376