时间序列特征提取：从理论到Python代码实践

文章预览

时间序列 是一种特殊的存在。这意味着你对表格数据或图像进行的许多转换/操作/处理技术对于时间序列来说可能根本不起作用。 " 特征提取 "的想法是对我们拥有的数据进行" 加工 "，确保我们提取所有有意义的特征，以便下一步(通常是机器学习应用)可以从中受益。也就是说它是一种通过提供重要特征并过滤掉所有不太重要的特征来"帮助"机器学习步骤的方法。 这是完整的特征提取过程: 对于 表格 数据和 信号 ，他们的特征根本就不同，比如说 峰 和 谷 的概念， 傅里叶变换 或 小波变换 的想法，以及**独立分量分析(ICA)**的概念只有在处理信号时才真正有意义。 目前有两大类进行特征提取的方法: 基于数据驱动的方法: 这些方法旨在 仅通过观察信号 来提取特征。它们忽略机器学习步骤及其目标(例如分类、预测或回归)，只看信号，对其进行处理 ………………………………