Участник:Isachenkoroma

Материал из MachineLearning.

Версия 18:58, 31 января 2016

МФТИ, ФУПМ

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

isa-ro@yandex.ru

Отчет о научно-исследовательской работе

Весна 2015, 6-й семестр

Метрическое обучение и снижение размерности пространства в задачах кластеризации временных рядов

Работа посвящена использованию методов метрического обучения в задаче кластеризации временных рядов. Применение метрического обучения позволяет модифицировать расстояния между временными рядами, сближая временные ряды из одного кластера и отдаляя временные ряды из разных кластеров. В данной работе расстояние между временными рядами измеряется при помощи метрики Махаланобиса. Процедура метрического обучения состоит в определении оптимальной матрицы ковариаций в метрике Махаланобиса. Кластеризация временных рядов осуществляется алгоритмом k-средних и алгоритмом адаптивного метрического обучения, понижающим размерность пространства кластеризации. Для сравнения этих методов произведён вычислительный эксперимент на синтетических данных и на реальных данных с акселерометра мобильного телефона, сделан вывод об эффективности рассматриваемых методов.

Публикация

Р.В.Исаченко Метрическое обучение и снижение размерности пространства в задачах кластеризации временных рядов // Машинное обучение и анализ данных. — 2015. — ISSN 2223-3792. (готовится к подаче в журнал)

Осень 2015, 7-й семестр

Метрическое обучение в задачах мультиклассовой классификации временных рядов

Работа посвящена построению модели многоклассовой классификации временных рядов. В качестве алгоритма классификации выбрана логистическая регрессия. Предлагается применить методы метрического обучения для улучшения качества классификации. Метрическое обучение позволяет модифицировать расстояния между временными рядами, сближая временные ряды из одного класса и отдаляя временные ряды из разных классов. Расстояние между временными рядами измеряется с помощью метрики Махаланобиса. Процедура метрического обучения состоит в определении оптимальной матрицы трансформаций в метрике Махаланобиса. Классификация временных рядов осуществляется на предварительно выравненных временных рядах относительно центроидов классов. В качестве алгоритма выравнивания выбран алгоритм динамической трансформации. Для анализа качества классификации произведён вычислительный эксперимент на синтетических и реальных данных с акселлерометра мобильного телефона.

Технический отчёт

Р.В.Исаченко Metric Learning and Feature Selection for Multiclass Classification of Time Series. Технический отчёт // Сервер вычислительных экспериментов. - mvr.jmlda.org