Классификация и разработка признаков

Машинное обучение для данных временных рядов на Python

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Всегда визуализируйте исходные данные перед обучением моделей

Визуализируйте данные временного ряда!

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

Какие признаки использовать?

Необработанные данные временного ряда слишком зашумлены для классификации
Необходимо рассчитать признаки!
Простой способ: суммируйте аудиоданные

Вычисление нескольких признаков

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,)

Обучение классификатора с помощью scikit-learn

Мы свернули двумерный набор данных (образцы × время) в несколько признаков одномерного набора (образцы)
Признаки можно объединить и использовать как входные данные для модели
Если каждый образец имеет метку, scikit-learn позволяет создать и обучить классификатор

Подготовка признаков для 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)

Оценка модели scikit-learn

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)

Давайте потренируемся!

Машинное обучение для данных временных рядов на Python