ROCKET 变换演示

概览

ROCKET [1] 使用随机卷积核（随机长度、权重、偏置、膨胀和填充）变换时间序列。ROCKET 从结果特征图计算两个特征：最大值和正值的比例 (ppv)。变换后的特征用于训练线性分类器。

[1] Dempster A, Petitjean F, Webb GI (2019) ROCKET: Exceptionally fast and accurate time series classification using random convolutional kernels. arXiv:1910.13051

---

目录

1. 导入

2. 单变量时间序列

3. 多变量时间序列

4. 流水线示例

---

1 导入

导入示例数据、ROCKET 和一个分类器（来自 scikit-learn 的 RidgeClassifierCV），以及 NumPy 和来自 scikit-learn 的 make_pipeline。

注意：ROCKET 在导入时会进行编译（通过 Numba），这可能需要几秒钟。

# !pip install --upgrade numba

import numpy as np
from sklearn.linear_model import RidgeClassifierCV
from sklearn.pipeline import make_pipeline

from sktime.datasets import (
    load_arrow_head,  # univariate dataset
    load_basic_motions,  # multivariate dataset
)
from sktime.transformations.panel.rocket import Rocket

2 单变量时间序列

我们可以使用 ROCKET 转换数据并单独拟合分类器，或者将 ROCKET 与分类器一起在流水线中使用（见下文第 4 节）。

2.1 加载训练数据

有关数据集的更多详细信息，请参阅单变量时间序列分类 notebook。

X_train, y_train = load_arrow_head(split="train", return_X_y=True)

2.2 初始化 ROCKET 并转换训练数据

rocket = Rocket()  # by default, ROCKET uses 10,000 kernels
rocket.fit(X_train)
X_train_transform = rocket.transform(X_train)

2.3 拟合分类器

对于较小的数据集（少于约 2 万个训练样本），我们推荐使用来自 scikit-learn 的 RidgeClassifierCV；对于较大的数据集，推荐使用采用随机梯度下降训练的逻辑回归。

classifier = RidgeClassifierCV(alphas=np.logspace(-3, 3, 10))
classifier.fit(X_train_transform, y_train)

RidgeClassifierCV(alphas=array([1.00000000e-03, 4.64158883e-03, 2.15443469e-02, 1.00000000e-01,
       4.64158883e-01, 2.15443469e+00, 1.00000000e+01, 4.64158883e+01,
       2.15443469e+02, 1.00000000e+03]),
                  normalize=True)

2.4 加载并转换测试数据

X_test, y_test = load_arrow_head(split="test", return_X_y=True)
X_test_transform = rocket.transform(X_test)

2.5 对测试数据进行分类

classifier.score(X_test_transform, y_test)

0.8171428571428572

---

3 多变量时间序列

我们可以以完全相同的方式将 ROCKET 用于多变量时间序列。

3.1 加载训练数据

X_train, y_train = load_basic_motions(split="train", return_X_y=True)

3.2 初始化 ROCKET 并转换训练数据

rocket = Rocket()
rocket.fit(X_train)
X_train_transform = rocket.transform(X_train)

3.3 拟合分类器

classifier = RidgeClassifierCV(alphas=np.logspace(-3, 3, 10))
classifier.fit(X_train_transform, y_train)

RidgeClassifierCV(alphas=array([1.00000000e-03, 4.64158883e-03, 2.15443469e-02, 1.00000000e-01,
       4.64158883e-01, 2.15443469e+00, 1.00000000e+01, 4.64158883e+01,
       2.15443469e+02, 1.00000000e+03]),
                  normalize=True)

3.4 加载并转换测试数据

X_test, y_test = load_basic_motions(split="test", return_X_y=True)
X_test_transform = rocket.transform(X_test)

3.5 对测试数据进行分类

classifier.score(X_test_transform, y_test)

1.0

---

4 流水线示例

我们可以将 ROCKET 与 RidgeClassifierCV（或其他分类器）一起在流水线中使用。然后，我们可以像使用独立的分类器一样使用该流水线，只需一次调用 fit，而无需单独转换数据等。

4.1 初始化流水线

rocket_pipeline = make_pipeline(
    Rocket(), RidgeClassifierCV(alphas=np.logspace(-3, 3, 10))
)

4.2 加载并拟合训练数据

X_train, y_train = load_arrow_head(split="train", return_X_y=True)

# it is necessary to pass y_train to the pipeline
# y_train is not used for the transform, but it is used by the classifier
rocket_pipeline.fit(X_train, y_train)

Pipeline(steps=[('rocket', Rocket()),
                ('ridgeclassifiercv',
                 RidgeClassifierCV(alphas=array([1.00000000e-03, 4.64158883e-03, 2.15443469e-02, 1.00000000e-01,
       4.64158883e-01, 2.15443469e+00, 1.00000000e+01, 4.64158883e+01,
       2.15443469e+02, 1.00000000e+03]),
                                   normalize=True))])

4.3 加载并对测试数据进行分类

X_test, y_test = load_arrow_head(split="test", return_X_y=True)

rocket_pipeline.score(X_test, y_test)

0.7942857142857143

---

使用 nbsphinx 生成。Jupyter notebook 可在此处找到。