时间序列分类大比拼：近期提出算法的实验评估（扩展版）
机器学习
2016-02-05 v1
摘要
在过去五年中，文献中提出了大量新的时间序列分类算法。这些算法已在加州大学河滨分校（University of California, Riverside）时间序列分类档案的47个数据集的子集上进行了评估。该档案最近已扩展到85个数据集，其中超过一半由东英吉利大学（University of East Anglia）的研究人员捐赠。先前评估的某些方面使得算法之间的比较变得困难。例如，使用了多种不同的编程语言，实验涉及单一的训练/测试划分，并且有些使用了归一化数据而有些没有。档案的重新发布提供了一个及时的机会，以便在更大量的数据集上彻底评估算法。我们在一个通用的 Java 框架中实现了18种近期提出的算法，并通过在85个数据集中的每一个上执行100次重采样实验，将它们与两个标准基准分类器（以及彼此）进行比较。我们利用这些结果检验了几个假设，涉及这些算法是否显著优于基准分类器及彼此。我们的结果表明，只有9种算法显著优于两个基准，并且有一个分类器 Collective of Transformation Ensembles 显著优于所有其他算法。我们所有的实验和结果都是可复现的：我们发布了所有代码、结果和实验细节，并希望这些实验在未来构成对新算法更严格测试的基础。
引用
@article{arxiv.1602.01711,
title = {The Great Time Series Classification Bake Off: An Experimental Evaluation of Recently Proposed Algorithms. Extended Version},
author = {Anthony Bagnall and Aaron Bostrom and James Large and Jason Lines},
journal= {arXiv preprint arXiv:1602.01711},
year = {2016}
}