用于时间序列分类的规范区间森林（CIF）分类器
机器学习
2021-05-11 v1 信号处理
摘要
时间序列分类（TSC）包含若干利用不同判别模式的算法族。其中一类描述使用相位依赖区间进行预测的分类器。时间序列森林（TSF）分类器是最著名的区间方法之一，并在训练和预测中展现出强劲性能和相对速度。然而，其他方法的近期进展已使 TSF 落后。TSF 最初使用三个简单汇总统计量来概括区间。由 22 个时间序列特征组成的 `catch22' 特征集最近被提出，以通过一组简洁、多样且信息丰富的描述性特征来辅助时间序列分析。我们提出结合 TSF 与 catch22 形成新的分类器，即规范区间森林（CIF）。我们概述了对训练过程的额外增强，并将该分类器扩展至包含多变量分类能力。我们展示了对 TSF 和 catch22 在准确率上的大幅且显著的提升，并表明其与来自其他算法族的顶尖性能者相当。通过将基于区间的组件从 TSF 升级为 CIF，我们还展示了对结合不同时间序列表示的基于变换集成的层次投票集体（HIVE-COTE）的显著改进。使用 CIF 的 HIVE-COTE 在 UCR 档案上的准确率显著高于我们所知的其他任何分类器，并代表了 TSC 的新 SOTA。
引用
@article{arxiv.2008.09172,
title = {The Canonical Interval Forest (CIF) Classifier for Time Series Classification},
author = {Matthew Middlehurst and James Large and Anthony Bagnall},
journal= {arXiv preprint arXiv:2008.09172},
year = {2021}
}