假设我以时间序列的形式对局部温度,风速,气压,湿度等进行了测量,这就是我从世界上所知道的。时不时会有龙卷风袭击我的探测器。哪种(机器学习)方法识别多变量时间序列中的不稳定运动三维结构?
因为龙卷风不只是随机的东西,有一种模式,训练的眼睛可以识别时间序列......温度,风速等的一些变化以某种方式相互关联,具有不可预测性周围波动。
我想以某种自动方式做到这一点,以识别时间序列中的时间间隔,该时间间隔对应于我的探测器“看到”龙卷风的时间段。
哪种机器学习方法更适合于识别它们,并给出相应的“可靠性系数”。请注意,由于龙卷风本身就是一个不稳定的物体,它进一步以不稳定的方式运动,所以探测器并不总是能看到相同的温度,风速等变化,因为龙卷风可以来回移动探测器,局部地改变其形状等。我想我想说的是,时间序列测量结果不符合龙卷风“休息框架”中可能绘制的这些数量的实际空间轮廓。然而,它总是看到“有点”相同的特征,并且有一些随机性,只有我的眼睛才会认识到这一点,这使我认为这是ML的适当任务。
其他问题:是否有一个蟒蛇ML库,将实施推荐的方法? (PyBrain,Scikit?...?)
我同意这是要走的路。你可以很容易地将神经网络应用于这个问题。 – Narthring
如果OP是机器学习的新手,如果会建议他开始使用惩罚线性分类器(如线性支持向量机或逻辑回归),支持向量机或随机森林等其他模型。这些模型比神经网络更容易正确使用(网格搜索的超参数较少)。 虽然logistic回归,支持向量机和神经网络都需要输入缩放(例如到[0-1]范围),但要小心。使用随机森林时,不需要输入缩放(两者都不会受到伤害)。 – ogrisel