Classificatie en feature engineering

Machine Learning voor tijdreeksgegevens in Python

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Visualiseer altijd ruwe data voordat je modellen fit

Visualiseer je tijdreeksdata!

ixs = np.arange(audio.shape[-1])
time = ixs / sfreq
fig, ax = plt.subplots()
ax.plot(time, audio)

Welke features gebruik je?

Ruwe tijdreeksen zijn te noisy voor classificatie
We moeten features berekenen!
Makkelijke start: vat je audiodata samen

Meerdere features berekenen

print(audio.shape)
# (n_files, time)

(20, 7000)

means = np.mean(audio, axis=-1)
maxs = np.max(audio, axis=-1)
stds = np.std(audio, axis=-1)

print(means.shape)
# (n_files,)

(20,)

Een classifier fitten met scikit-learn

We hebben een 2D-gegevensset (samples × tijd) samengevat tot meerdere features van een 1D-gegevensset (samples)
We kunnen features combineren en als invoer voor een model gebruiken
Met een label per sample kun je met scikit-learn een classifier maken en fitten

Je features klaarmaken voor scikit-learn

# Import a linear classifier
from sklearn.svm import LinearSVC

# Note that means are reshaped to work with scikit-learn
X = np.column_stack([means, maxs, stds])
y = labels.reshape(-1, 1)
model = LinearSVC()
model.fit(X, y)

Je scikit-learn-model scoren

from sklearn.metrics import accuracy_score

# Different input data
predictions = model.predict(X_test)  

# Score our model with % correct
# Manually
percent_score = sum(predictions == labels_test) / len(labels_test)  
# Using a sklearn scorer
percent_score = accuracy_score(labels_test, predictions)

Laten we oefenen!

Machine Learning voor tijdreeksgegevens in Python