从零开始的时间序列分类

从零开始的时间序列分类

文章目录

​​介绍​​​​加载数据：FordA 数据集​​

​​数据集描述​​​​读取 TSV 数据​​

​​可视化数据​​​​标准化数据​​​​建立模型​​​​训练模型​​​​根据测试数据评估模型​​​​绘制模型的训练和验证损失​​

介绍

这个例子展示了如何从头开始进行时间序列分类，从磁盘上的原始 CSV 时间序列文件开始。我们在​​UCR/UEA 档案​​中的 FordA 数据集上演示了工作流程 。

加载数据：FordA 数据集

数据集描述

我们在这里使用的数据集称为 FordA。数据来自 UCR 档案。该数据集包含 3601 个训练实例和另外 1320 个测试实例。每个时间序列对应于电机传感器捕获的发动机噪声测量值。对于此任务，目标是自动检测引擎是否存在特定问题。问题是一个平衡的二元分类任务。

读取 TSV 数据

我们将使用该FordA_TRAIN文件进行训练并使用该 FordA_TEST文件进行测试。该数据集的简单性使我们能够有效地演示如何使用 ConvNets 进行时间序列分类。在此文件中，第一列对应于标签。

def readucr(filename): data = np.loadtxt(filename, delimiter="\t") y = data[:, 0] x = data[:, 1:] return x, y.astype(int)root_url = "y_train = readucr(root_url + "FordA_TRAIN.tsv")x_test, y_test = readucr(root_url + "FordA_TEST.tsv")

可视化数据

在这里，我们为数据集中的每个类可视化一个时间序列示例。

classes = np.unique(np.concatenate((y_train, y_test), axis=0))plt.figure()for c in classes: c_x_train = x_train[y_train == c] plt.plot(c_x_train[0], label="class " + str(c))plt.legend(loc="best")plt.show()plt.close()

标准化数据

我们的时间序列已经是单一长度（500）。然而，它们的值通常在不同的范围内。这对于神经网络来说并不理想；一般来说，我们应该设法使输入值标准化。对于这个特定的数据集，数据已经被 z 归一化：每个时间序列样本的均值等于 0，标准差等于 1。这种类型的归一化对于时间序列分类问题非常常见，参见 ​​Bagnall 等人。（2016 年）​​。

请注意，此处使用的时间序列数据是单变量的，这意味着我们每个时间序列示例只有一个通道。因此，我们将使用通过 numpy 的简单整形将时间序列转换为具有一个通道的多变量序列。这将使我们能够构建一个易于应用于多变量时间序列的模型。

x_train = x_train.reshape((x_train.shape[0], x_train.shape[1], 1))x_test = x_test.reshape((x_test.shape[0], x_test.shape[1], 1))

最后，为了使用sparse_categorical_crossentropy，我们必须事先计算类的数量。

num_classes = len(np.unique(y_train))

现在我们对训练集进行洗牌，因为稍后我们将validation_split在训练时使用该选项。并进行归一化。

from sklearn.preprocessing import StandardScaler, RobustScaler# StandardScaler类是一个用来讲数据进行归一化和标准化的类# fit_transform方法是fit和transform的结合，fit_transform(X_train) 意思是找出X_train的平均值和标准差，并应用在X_train上。# 这时对于X_test，我们就可以直接使用transform方法。因为此时StandardScaler已经保存了X_train的平均值和标准差。idx = np.random.permutation(len(x_train))x_train = x_train[idx]y_train = y_train[idx]sc = StandardScaler()x_train = sc.fit_transform(x_train)y_train = sc.transform(y_train)

将标签标准化为正整数。预期的标签将是 0 和 1。

y_train[y_train == -1] = 0y_test[y_test == -1] = 0

建立模型

我们构建了 本文最初提出的全卷积神经网络。该实现基于 此处提供的 TF 2 版本。以下超参数（kernel_size、过滤器、BatchNorm 的使用）是使用KerasTuner通过随机搜索找到的。

def make_model(input_shape): input_layer = keras.layers.Input(input_shape) conv1 = keras.layers.Conv1D(filters=64, kernel_size=3, padding="same")(input_layer) conv1 = keras.layers.BatchNormalization()(conv1) conv1 = keras.layers.ReLU()(conv1) conv2 = keras.layers.Conv1D(filters=64, kernel_size=3, padding="same")(conv1) conv2 = keras.layers.BatchNormalization()(conv2) conv2 = keras.layers.ReLU()(conv2) conv3 = keras.layers.Conv1D(filters=64, kernel_size=3, padding="same")(conv2) conv3 = keras.layers.BatchNormalization()(conv3) conv3 = keras.layers.ReLU()(conv3) gap = keras.layers.GlobalAveragePooling1D()(conv3) output_layer = keras.layers.Dense(num_classes, activation="softmax")(gap) return keras.models.Model(inputs=input_layer, outputs=output_layer)model = make_model(input_shape=x_train.shape[1:])keras.utils.plot_model(model, show_shapes=True)

训练模型

epochs = 500batch_size = 32callbacks = [ keras.callbacks.ModelCheckpoint( "best_model.h5", save_best_only=True, monitor="val_loss" ), keras.callbacks.ReduceLROnPlateau( monitor="val_loss", factor=0.5, patience=20, min_lr=0.0001 ), keras.callbacks.EarlyStopping(monitor="val_loss", patience=50, verbose=1),]model.compile( optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["sparse_categorical_accuracy"],)history = model.fit( x_train, y_train, batch_size=batch_size, epochs=epochs, callbacks=callbacks, validation_split=0.2, verbose=1,)

根据测试数据评估模型

model = keras.models.load_model("best_model.h5")test_loss, test_acc = model.evaluate(x_test, y_test)print("Test accuracy", test_acc)print("Test loss", test_loss)

绘制模型的训练和验证损失

metric = "sparse_categorical_accuracy"plt.figure()plt.plot(history.history[metric])plt.plot(history.history["val_" + metric])plt.title("model " + metric)plt.ylabel(metric, fontsize="large")plt.xlabel("epoch", fontsize="large")plt.legend(["train", "val"], loc="best")plt.show()plt.close()

code: ​​https://github.com/keras-team/keras-io/blob/master/examples/timeseries/timeseries_classification_from_scratch.py​​

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。