主要观点总结
本文主要介绍了时间序列的特征提取方法,包括基于数据驱动的方法、基于模型的方法以及其他如基于频率、统计和基于时间的特征提取方法。文章还提到了一些实用的函数和代码实现。
关键观点总结
关键观点1: 时间序列的特征提取对于机器学习应用非常重要,提取的特征应针对具体问题而定。
特征提取方法包括基于数据驱动、基于模型、基于频率、基于统计和基于时间的特征提取等。
关键观点2: 基于数据驱动的特征提取方法主要依赖于信号处理和机器学习技术来提取特征。
这种方法在实践中经常使用傅里叶变换和小波变换来提取特征。
关键观点3: 基于模型的特征提取方法着眼于整个流程,旨在找到针对特定问题的特征解决方案。
领域特定的知识在特征提取中起着重要作用。
关键观点4: 除了上述方法,还有其他如基于频率、统计和基于时间的特征提取技术。
这些方法可以帮助我们进一步从时间序列数据中提取有意义的信息。
关键观点5: 选择哪种特征提取方法取决于具体的问题和数据集。
建议通过试验和评估来确定哪些特征对特定问题最有效。
文章预览
作者: Piero Paialunga 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
………………………………