在耀斑预报测试平台上的特征选择：24种方法的比较研究
太阳与恒星天体物理
2021-10-01 v1 天体物理仪器与方法
机器学习
摘要
太阳耀斑空间天气分析（SWAN-SF）是一个最近创建的多变量时间序列基准数据集，用作太阳耀斑预报模型的日球物理社区测试平台。SWAN-SF包含54个独特特征，其中24个定量特征由活动区的光球磁场图计算而来，描述其先前的耀斑活动。在本研究中，我们首次系统地着手量化这些特征与耀斑预报这一艰巨任务的相关性问题。我们实现了一个用于预处理、特征选择和评估阶段的端到端流水线。我们纳入了24种特征子集选择（FSS）算法，包括多变量和单变量、有监督和无监督、包装器和过滤器。我们从方法学上比较了不同FSS算法的结果，既在多变量时间序列上也在向量化格式上，并尽可能通过使用所选特征以单变量和多变量方式在未见数据上进行耀斑预报来测试它们的相关性和可靠性。我们以报告按前k个特征排序的最佳FSS方法以及 findings 的分析来结束调查。我们希望我们研究的可重复性和数据的可用性使未来的尝试能与我们的发现以及彼此之间具有可比性。
引用
@article{arxiv.2109.14770,
title = {Feature Selection on a Flare Forecasting Testbed: A Comparative Study of 24 Methods},
author = {Atharv Yeoleka and Sagar Patel and Shreejaa Talla and Krishna Rukmini Puthucode and Azim Ahmadzadeh and Viacheslav M. Sadykov and Rafal A. Angryk},
journal= {arXiv preprint arXiv:2109.14770},
year = {2021}
}
备注
10 pages, 7 figures, 1 table, IEEE ICDM 2021, SFE-TSDM Workshop