The article addresses the problem o

The article addresses the problem of temporal data mining, in particular classification, with
support vector machines (SVM). If no application-specific knowledge about the nature of
the time series is available, general purpose time series similarity measures can be used
as kernel functions in SVM. The article compares several possible similarity measures,
namely the linear Euclidean, triangle, polynomial probabilistic (with two variants), and
shape space distances (SSD), as well as the nonlinear measures dynamic time warping
(DTW), longest common subsequences, and time warp edit distance (TWED). Nonlinear
(i.e., ‘‘elastic’’) measures take a nonlinear scaling of the time series in the time domain into
account. First, these measures are used in combination with a nearest neighbor classifier,
then the various similarity measures are taken to compute the kernel matrices for SVM.
Simulation experiments with twenty publicly available benchmark data sets show, that
with regard to classification accuracy, TWED performs very well over all measures, while
SSD is the best linear measure. SSD has the lowest run-times, the fastest nonlinear measure
is DTW. These claims are further investigated by applying statistical tests. With the results
presented in this article and results from related investigations that are considered as well,
we want to support practitioners or scholars in answering the following question: Which
measure should be looked at first if accuracy is the most important criterion, if an applica-
tion is time-critical, or if a compromise is needed?

ผลลัพธ์ (ไทย) 1:

บทความที่อยู่ปัญหาของการทำเหมืองข้อมูลชั่วคราว ในเฉพาะ classification กับ
สนับสนุนเครื่องแบบเวกเตอร์ (SVM) ถ้าแอพลิเคชัน specific ความรู้เกี่ยวกับธรรมชาติของ
ชุดเวลามีเวลาว่าง ทั่วไปวัตถุประสงค์ที่สามารถใช้วัดความคล้ายชุด
เป็นฟังก์ชันเคอร์เนลใน SVM บทความเปรียบเทียบมาตรการความคล้ายคลึงกันได้หลายอย่าง,
คือเส้น Euclidean สามเหลี่ยม probabilistic (มีตัวแปรสอง), พหุนาม และ
รูปร่างระยะทางพื้นที่ (SSD), มาตรการไม่เชิงเส้นเวลาแบบไดนามิก warping
(DTW), subsequences สูงทั่วไป และแปรปรวนเวลาแก้ไขระยะ (TWED) ไม่เชิงเส้น
(เช่น, ''ยืดหยุ่น '') มาตรการที่ใช้มาตราส่วนแบบไม่เชิงเส้นของลำดับเวลาในโดเมนเวลาเป็น
บัญชี ครั้งแรก มาตรการเหล่านี้จะใช้ร่วมกับเพื่อนบ้านที่ใกล้ที่สุด classifier,
แล้วมาตรการคล้ายถูกนำไปคำนวณเมทริกซ์เคอร์เนลสำหรับ SVM
จำลองการทดลอง ด้วยชุดข้อมูลมาตรฐานเผย 20 แสดง ที่
เกี่ยวกับความถูกต้องของ classification, TWED ทำดีกว่าวัดทั้งหมด ในขณะที่
SSD เป็นการวัดเชิงเส้นดีที่สุด SSD มีราคาต่ำสุดรันเวลา วัดไม่เชิงเส้นที่เร็วที่สุด
คือ DTW เรียกร้องเหล่านี้มีสอบสวนเพิ่มเติม โดยใช้สถิติทดสอบ มีผล
แสดงในบทความนี้และผลจากการตรวจสอบที่เกี่ยวข้องที่ถือว่าดี,
เราต้องสนับสนุนผู้หรือนักวิชาการในการตอบคำถามต่อไปนี้: ที่
วัดควรดูที่ first ถ้าถูกต้องเป็นเกณฑ์สำคัญที่สุด ถ้า applica มี-
สเตรชันเป็นเวลาสำคัญ หรือ ถ้าต้องการประนีประนอมหรือไม่

ผลลัพธ์ (ไทย) 2:

บทความที่อยู่ปัญหาของการทำเหมืองข้อมูลขมับโดยเฉพาะอย่างยิ่งจัดประเภทไอออนบวกกับ
เครื่องสนับสนุนเวกเตอร์ (SVM) ถ้าแอพลิเคชันที่ระบุไม่มีไฟคความรู้เกี่ยวกับธรรมชาติของ
อนุกรมเวลาที่มีอยู่ชุดเวลาที่ใช้งานทั่วไปมาตรการคล้ายคลึงกันสามารถนำมาใช้
เป็นฟังก์ชั่นในเคอร์เนล SVM บทความเปรียบเทียบหลายมาตรการที่เป็นไปได้ความคล้ายคลึงกัน
คือเส้นยุคลิดสามเหลี่ยมน่าจะเป็นพหุนาม (ที่มีสองสายพันธุ์) และ
ระยะทางที่พื้นที่รูปร่าง (SSD) รวมทั้งมาตรการเชิงเส้นเวลาแบบไดนามิกแปรปรวน
(DTW) subsequences ที่พบบ่อยที่สุดและเวลา แก้ไขวิปริตระยะทาง (TWED) ไม่เชิงเส้น
(เช่น '' ยืดหยุ่น '') มาตรการใช้ปรับไม่เชิงเส้นของอนุกรมเวลาในโดเมนเวลาที่เข้ามาใน
บัญชี ครั้งแรกที่มาตรการเหล่านี้ถูกนำมาใช้ร่วมกับไฟเอ้อเพื่อนบ้านจำแนกใกล้ที่สุด
แล้วมาตรการคล้ายคลึงกันต่างๆจะถูกนำไปคำนวณเมทริกซ์เคอร์เนลสำหรับ SVM
ทดลองจำลองยี่สิบสาธารณชนชุดข้อมูลมาตรฐานแสดงที่
เกี่ยวกับการจัดประเภทความถูกต้องไอออนบวกกับ TWED ดำเนินการมาก ดีกว่ามาตรการทั้งหมดในขณะที่
SSD เป็นตัวชี้วัดเชิงเส้นที่ดีที่สุด SSD มีต่ำสุดวิ่งครั้งวัดเชิงเส้นที่เร็วที่สุด
เป็น DTW เรียกร้องเหล่านี้ได้รับการตรวจสอบต่อไปโดยใช้การทดสอบทางสถิติ กับผลลัพธ์ที่ได้
นำเสนอในบทความนี้และผลลัพธ์ที่ได้จากการตรวจสอบที่เกี่ยวข้องที่ได้รับการพิจารณาเช่นกัน
เราต้องการที่จะสนับสนุนการปฏิบัติงานหรือนักวิชาการในการตอบคำถามต่อไปนี้ซึ่ง
มาตรการที่ควรจะมองที่ไฟแรกถ้าความถูกต้องเป็นเกณฑ์ที่สำคัญที่สุดถ้าไปใช้
การเป็นเวลาที่สำคัญหรือถ้าประนีประนอมเป็นสิ่งจำเป็น?

ผลลัพธ์ (ไทย) 3:

บทความเน้นปัญหาของการทำเหมืองข้อมูลชั่วคราว โดยเฉพาะใน classi จึงบวกกับ
เครื่องเวกเตอร์สนับสนุน ( SVM ) ถ้าไม่มีโปรแกรมประเภทจึง C ความรู้เกี่ยวกับธรรมชาติของ
เวลาชุดของวัตถุประสงค์ทั่วไปเวลามาตรการความคล้ายคลึงชุดสามารถใช้เคอร์เนลฟังก์ชัน
เป็น SVM . บทความเปรียบเทียบความเหมือนเป็นไปได้หลายมาตรการ
คือใช้เส้นตรง สามเหลี่ยมพหุนามเชิงความน่าจะเป็น ( 2 สายพันธุ์ ) และ
รูปร่างพื้นที่ระยะทาง ( SSD ) รวมทั้งมาตรการเชิงЇ
( DTW ) ที่พบ subsequences เวลาบิดระยะทางที่ถูกแก้ไข ( twed ) ไม่เชิง
( เช่น ' ' ' 'elastic ) มาตรการที่ใช้ปรับขนาดของอนุกรมเวลาเชิงเส้นในการเข้า
บัญชี ครั้งแรกมาตรการเหล่านี้จะใช้ในการรวมกันกับเพื่อนบ้านที่ใกล้ที่สุด classi จึงเอ้อ
แล้วมาตรการต่างๆ มาคำนวณกันในเมทริกซ์สำหรับ SVM .
การจำลองการทดลองด้วยยี่สิบที่มีอยู่ทั่วไปมาตรฐานชุดข้อมูลแสดงว่า
เกี่ยวกับ classi การถ่ายทอดความถูกต้อง twed าดีมากกว่าทุกมาตรการ ในขณะที่
SSD คือ วัดเชิงเส้นที่ดีที่สุด SSD ได้ถูกที่สุด เวลาวิ่งที่เร็วที่สุดแบบไม่เชิงเส้นวัด
เป็น DTW . เรียกร้องเหล่านี้มีการศึกษาเพิ่มเติม โดยใช้การทดสอบทางสถิติ กับผลลัพธ์ที่แสดงในผลลัพธ์
บทความนี้ และจากการสืบสวนที่ถือว่าเป็นอย่างดี
เราต้องการสนับสนุนผู้ปฏิบัติงาน หรือนักวิชาการในการตอบคำถามต่อไปนี้ : วัดซึ่ง
ควรจะมองจึงตัดสินใจเดินทางถ้าความถูกต้องเป็นเกณฑ์ที่สำคัญที่สุดถ้าสิ่งที่เห็นทั้งหมด -
tion คือเวลาคับขัน หรือถ้าการประนีประนอมเป็นสิ่งจำเป็น ?