⓵新的机器学习模型（XEM）：结合bagging和boosting的混合集成（2022）-----学习笔记

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：

1．最先进的分类器超过了LCE。
2.可解释性和先性：引入XEM，这是一种可解释的MTS分类器，它可以解释UEA数据集中的竞争对手，并提供清晰的时间窗口并提高模型的透明度。
3.应对挑战的稳健性：XEM演示了如何有效应对数据挑战并在整个数据收集过程中实现稳定性。
背景及相关工作主要集中在先发算法和LCE上，特别关注如何通过抛毯​​子来控平衡偏差和张力。 XEMPoint在训练中投入努力和紧张方面找到了巧妙的平衡。

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。