pyts实战案例：基于形状学习的分类器应用详解-编程实验室

pyts实战案例：基于形状学习的分类器应用详解

【免费下载链接】pytsA Python package for time series classification项目地址: https://gitcode.com/gh_mirrors/py/pyts

pyts是一个专注于时间序列分类的Python包，提供了多种强大的算法来处理时间序列数据。其中，LearningShapelets作为一种基于形状学习的分类器，通过自动学习时间序列中的关键形状特征，实现高效准确的分类任务。本文将通过实际案例详细介绍如何使用pyts中的LearningShapelets算法进行时间序列分类。

什么是形状学习分类器？

形状学习（Shapelets）是时间序列分类中的一种强大技术。形状学习分类器的核心思想是从时间序列数据中自动学习具有判别性的子序列（称为形状lets），这些子序列能够有效区分不同类别的时间序列。

在pyts中，LearningShapelets算法实现了这一思想，它包含两个主要步骤：

计算形状lets与时间序列之间的距离
使用这些距离作为特征，训练逻辑回归模型进行分类

该算法不仅能学习形状lets，还能同时优化逻辑回归的系数，从而实现端到端的分类器训练。

pyts项目logo，一个专注于时间序列分类的Python包

快速入门：LearningShapelets基础用法

使用pyts的LearningShapelets分类器非常简单，只需几行代码即可完成从数据加载到模型训练的全过程。以下是一个基本示例：

from pyts.classification import LearningShapelets from pyts.datasets import load_gunpoint # 加载示例数据集 X_train, X_test, y_train, y_test = load_gunpoint(return_X_y=True) # 初始化分类器 clf = LearningShapelets(random_state=42, tol=0.01) # 训练模型 clf.fit(X_train, y_train) # 评估模型性能 print("模型准确率:", clf.score(X_test, y_test))

在这个示例中，我们使用了pyts内置的GunPoint数据集，这是一个常用的时间序列分类基准数据集。通过调整tol参数，我们可以控制算法的收敛速度，较小的值会导致更长的训练时间但可能获得更高的精度。

实战案例：使用LearningShapelets进行时间序列分类

下面我们将通过一个完整的案例来展示LearningShapelets的实际应用。我们将使用GunPoint数据集，该数据集包含了两种不同的手部动作的时间序列数据。

步骤1：导入必要的库

import matplotlib.pyplot as plt import numpy as np from pyts.classification import LearningShapelets from pyts.datasets import load_gunpoint from pyts.utils import windowed_view

步骤2：加载并准备数据

# 加载GunPoint数据集 X, _, y, _ = load_gunpoint(return_X_y=True)

步骤3：训练LearningShapelets模型

# 初始化并训练模型 clf = LearningShapelets(random_state=42, tol=0.01) clf.fit(X, y)

步骤4：分析学习到的形状lets

训练完成后，我们可以查看模型学习到的形状lets。这些形状lets是区分不同类别时间序列的关键特征：

# 选择两个形状lets shapelets = np.asarray([clf.shapelets_[0, -9], clf.shapelets_[0, -12]]) # 绘制形状lets plt.figure(figsize=(10, 4)) plt.plot(shapelets[0], label='形状let 1') plt.plot(shapelets[1], label='形状let 2') plt.title('学习到的形状lets') plt.legend() plt.show()

这段代码将显示模型学习到的两个关键形状lets，它们捕捉了不同类别时间序列的特征模式。

步骤5：分析形状lets与时间序列的距离

我们可以进一步分析时间序列与这些形状lets之间的距离，从而理解模型如何进行分类决策：

# 计算时间序列与形状lets之间的距离 shapelet_size = shapelets.shape[1] X_window = windowed_view(X, window_size=shapelet_size, window_step=1) X_dist = np.mean((X_window[:, :, None] - shapelets[None, :]) ** 2, axis=3).min(axis=1) # 绘制距离散点图 plt.figure(figsize=(10, 6)) for color, label in zip('br', (1, 2)): plt.scatter(X_dist[y == label, 0], X_dist[y == label, 1], c=color, label=f'类别 {label}') plt.title('时间序列与形状lets的距离') plt.xlabel('与形状let 1的距离') plt.ylabel('与形状let 2的距离') plt.legend() plt.show()

通过这个散点图，我们可以直观地看到不同类别的时间序列在距离空间中的分布情况，良好的分离效果表明学习到的形状lets具有很强的判别能力。