XEM2022年新出:集成智能的MTS分类模型
XEM之前的数据科学,一种首次设计解释的集成方法,将彻底改变MTS分类实践。 它雄辩地结合了乐队和助推的力量,巧妙地平衡了趣味性和张力,擅出色的演奏和清晰的诠释。 在给定的UEA集合中,XEM证明了其优于类似MTS分类器的性能,特别是在面对连续数据收集挑战时,表现出鲁棒性。
研究重点是MTS分类,这是一项需要不同关系和时间窗口交互的任务。 XEM在之前LCE的混合方法的基础上进行创新,将运动的多样性与LC(LocalCascadeEnsemble)学习部分数据的优点相结合,取得了显着的改进。
主要贡献亮点:
MTS分类任务涵盖可变变量和时间序列,其中常用的是逻辑回归、SVM和神经网络工具。 作为一种混合集成模型,LCE通过显式和隐式方法(例如动态学习和负学习)为MTS分类提供了最佳解决方。 但XEM更进一步,选择了基于MTS序列的分类器,该分类器在处理小时间窗口时一开始表现良好。
使用XEM时,使用滑动窗口技术将一组数据转换为可处理的数据。 LCE负责训练、调整序列大小以及分配类别概率。 XEM通过最可靠的推理决策为MTS类别分配标签,同时通过显示高置信度的推理来增加模型的可解释性。 XEM的特性包括相位不变性、维度兼容性、度兼容性(缺失值的处理)、抗噪声性和可扩展性。 尽管复杂度时间与LCE相比,XEM通过优化实现了更好的性能。
综上所述,XEM不仅在性能上独一无二,而且在可解释性方面也达到了新的高度,为数据背后的MTS驱动程序的分类任务提供了强大而透明的解决方。 如果您正在复杂的数据环境中寻找强大且易于理解的MTS分类工具,那么XEM绝对是一个值得考虑的选择。
上一篇:wps怎么找不到数据分析
下一篇:知识图谱的基本含义