通过随机化实现快速、准确且可解释的时间序列分类
机器学习
2021-06-01 v1 机器学习
摘要
时间序列分类(TSC)旨在预测给定时间序列的类别标签,这对经济学与医学等丰富的应用领域至关重要。最先进的 TSC 方法大多聚焦于分类准确率与效率,而未考虑分类的可解释性,而后者是现代应用(如设备建模)与法规(如欧洲通用数据保护条例)所需的重要性质。为弥补此不足,我们提出一种新颖的 TSC 方法——随机监督时间序列森林(r-STSF)。r-STSF 高效、达到最先进分类准确率且支持可解释性。r-STSF 采用高效的基于区间的方法,根据判别子序列(区间)的聚合值对时间序列分类。为达到最先进准确率,r-STSF 使用判别子序列构建随机树集成。它运用四种时间序列表示、九种聚合函数以及一种受监督二值启发的搜索结合特征排序度量来识别高判别性子序列。这些判别子序列使分类可解释。在大量数据集上的实验表明,r-STSF 取得了最先进准确率,同时比多数现有 TSC 方法快数个数量级。它是最先进方法组中唯一支持可解释性的分类器。我们的发现还强调,在分类复杂时间序列数据集时 r-STSF 是最佳 TSC 方法。
引用
@article{arxiv.2105.14876,
title = {Fast, Accurate and Interpretable Time Series Classification Through Randomization},
author = {Nestor Cabello and Elham Naghizade and Jianzhong Qi and Lars Kulik},
journal= {arXiv preprint arXiv:2105.14876},
year = {2021}
}