Abstract—Due to its various applica

Abstract—Due to its various applications, time-series classifi-
cation is a prominent research topic in data mining and computational
intelligence. The simple k-NN classifier using dynamic
time warping (DTW) distance had been shown to be competitive
to other state-of-the art time-series classifiers. In our research,
however, we observed that a single fixed choice for the number of
nearest neighbors k may lead to suboptimal performance. This
is due to the complexity of time-series data, especially because
the characteristic of the data may vary from region to region.
Therefore, local adaptations of the classification algorithm is
required. In order to address this problem in a principled way by,
in this paper we introduce individual quality (IQ) estimation. This
refers to estimating the expected classification accuracy for each
time series and each k individually. Based on the IQ estimations
we combine the classification results of several k-NN classifiers
as final prediction. In our framework of IQ, we develop two
time-series classification algorithms, IQ-MAX and IQ-WV. In our
experiments on 35 commonly used benchmark data sets, we show
that both IQ-MAX and IQ-WV outperform two baselines.
Index Terms—time series; classification; individual quality (IQ)
I. INTRODUCTION
Classification of time series is a prominent research topic
in data mining and computational intelligence, because of
its numerous applications in various domains such as speech
recognition [1], signature verification [2], brainwave analysis
[3], handwriting recognition, finance, medicine, biometrics,
chemistry, astronomy, robotics, networking and industry [4].
The simple 1-nearest neighbor (1-NN) method using dynamic
time warping (DTW) distance [1] has been shown to
be competitive or superior to many state-of-the art time-series
classification methods [5], [6], [7]. However, the choice of
parameter k in the k-NN classifier is known to affect the
bias-variance trade-off [8]: smaller values of k may lead to
overfitting, whereas larger values of k increase the bias and
in this case the model may capture only global tendencies.
Recent studies [9] have indicated that significant improvement
in the accuracy of the k-NN time-series classification can be
attained with k being larger than 1. This is due to intrinsic
characteristics in time-series data sets, such as the mixture
between the different classes, the dimensionality, and the
skewness in the distribution of error (i.e., the existence of “bad
hubs” [9] that account for a surprisingly large fraction of the
total error). Parameter k can be chosen using a hold-out subset
of the training data.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อ — จากการใช้งานต่าง ๆ ชุดเวลา classifi -หัวข้อวิจัยที่โดดเด่นในการทำเหมืองแร่ และคำนวณข้อมูลเป็น cationปัญญา Classifier เรื่อง k-NN ใช้แบบไดนามิกแปรปรวน(คันทรี่ DTW) ระยะเวลาได้รับการแสดงเพื่อการแข่งขันการอื่น ๆ รัฐสมัยเวลาชุดคำนามภาษา งานวิจัยของเราอย่างไรก็ตาม เราสังเกตว่า เดียวคงเลือกจำนวนเพื่อนบ้านที่ใกล้ที่สุด k อาจทำให้ประสิทธิภาพการทำงานสภาพ นี้ไม่ซับซ้อนของเวลาชุดข้อมูล โดยเฉพาะอย่างยิ่งเนื่องจากลักษณะของข้อมูลอาจแตกต่างไปจากภูมิภาคภูมิภาคดังนั้น ท้องของอัลกอริทึมการจัดประเภทเป็นต้องระบุ เพื่อแก้ไขปัญหานี้ในลักษณะ principled โดยในเอกสารนี้ เราแนะนำประเมินคุณภาพแต่ละ (ไอคิว) นี้หมายถึงการประเมินความถูกต้องประเภทที่คาดไว้สำหรับแต่ละเวลาชุดและ k แต่ละที ตามการประเมินไอคิวเรารวมผลการจัดประเภทของคำนามภาษาเคเอ็นเอ็นหลายเป็นการคาดเดาที่สุดท้าย ในกรอบของ IQ ของเรา เราพัฒนา 2ประเภทเวลาชุดอัลกอริทึม IQ WV และ IQ สูงสุด ในของเราทดลองบน 35 ใช้ชุดมาตรฐานข้อมูล แสดงที่ไอคิวสูงสุดและ IQ WV outperform สองเส้นคำดัชนี — เวลาชุด จัดประเภท คุณภาพแต่ละ (ไอคิว)I. บทนำการจัดประเภทของลำดับเวลาเป็นหัวข้อวิจัยที่โดดเด่นในการทำเหมืองข้อมูลและข่าวกรองเชิงคำนวณ เนื่องจากโปรแกรมประยุกต์ที่มากมายในโดเมนต่าง ๆ เช่นเสียงการรับรู้ [1], การตรวจสอบลายเซ็น [2], วิเคราะห์ brainwave[3], ลาย เงิน ยา ชีวภาพเคมี ดาราศาสตร์ วิทยา ระบบเครือข่าย และอุตสาหกรรม [4]วิธีง่าย ๆ 1 ใกล้บ้าน (1-NN) ใช้แบบไดนามิกมีการแสดงเวลาแปรปรวนระยะ(คันทรี่ DTW) [1]แข่งขัน หรือจะหลายรัฐสมัยเวลาชุดจัดประเภทวิธี [5], [6], [7] อย่างไรก็ตาม ทางเลือกของพารามิเตอร์ k ใน classifier เอ็นเอ็นเคเป็นที่รู้จักกันมีผลต่อการความโน้มเอียงต่าง trade-off [8]: ขนาดเล็กค่า k อาจทำให้overfitting ในขณะที่ค่า k ใหญ่เพิ่มเส้นทแยง และในกรณีนี้ แบบอาจจับภาพเฉพาะแนวโน้มทั่วโลกเท่านั้นศึกษาล่าสุด [9] ได้ระบุการปรับปรุงที่สำคัญในความถูกต้องของเคเอ็นเอ็น จัดประเภทชุดเวลาสามารถบรรลุกับ k ที่ถูกมากกว่า 1 นี่คือเนื่องจาก intrinsicลักษณะชุดข้อมูลชุดข้อมูลเวลา เช่นผสมระหว่างชั้นต่าง ๆ dimensionality และความเบ้ในการกระจายของข้อผิดพลาด (เช่น การดำรงอยู่ของ "ไม่ดีฮับ" [9] ที่บัญชีสำหรับเศษส่วนของโต๊ะรวมข้อผิดพลาด) สามารถเลือกพารามิเตอร์ k ใช้ย่อยค้างออกของข้อมูลการฝึกอบรม

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ-เนื่องจากการใช้งานต่างๆของอนุกรมเวลา classifi- ไอออนบวกเป็นหัวข้องานวิจัยที่โดดเด่นในการทำเหมืองข้อมูลและการคำนวณหน่วยสืบราชการลับ ง่ายลักษณนาม k-NN โดยใช้แบบไดนามิกแปรปรวนเวลา(DTW- สนามบิน) ระยะทางได้รับการแสดงที่จะแข่งขันกับคนอื่นๆ รัฐของศิลปะอนุกรมเวลาลักษณนาม ในงานวิจัยของเราแต่เราตั้งข้อสังเกตว่าเป็นทางเลือกที่คงที่เดียวสำหรับจำนวนของเพื่อนบ้านที่ใกล้ที่สุด k อาจนำไปสู่ประสิทธิภาพการทำงานที่ก่อให้เกิดผลลัพธ์ นี้เป็นเพราะความซับซ้อนของข้อมูลอนุกรมเวลาโดยเฉพาะอย่างยิ่งเพราะลักษณะของข้อมูลที่อาจแตกต่างจากภูมิภาคในพื้นที่. ดังนั้นการปรับตัวในท้องถิ่นของขั้นตอนวิธีการจัดหมวดหมู่เป็นที่ต้องการ เพื่อที่จะแก้ไขปัญหานี้ในทางจริยธรรมโดยในบทความนี้เราแนะนำคุณภาพของแต่ละบุคคล (IQ) การประมาณค่า นี้หมายถึงการประเมินความถูกต้องคาดว่าการจัดหมวดหมู่ของแต่ละชุดแต่ละเวลาและk เป็นรายบุคคล ขึ้นอยู่กับการประมาณการ IQ เรารวมผลการจัดหมวดหมู่ของลักษณนามหลาย k-NN เป็นคำทำนายสุดท้าย ในกรอบของไอคิวเราพัฒนาสองขั้นตอนวิธีการจัดหมวดหมู่อนุกรมเวลา, IQ-MAX และ IQ-เวสต์เวอร์จิเนีย ของเราในการทดลองใน 35 ที่ใช้กันทั่วไปชุดข้อมูลมาตรฐานเราจะแสดงว่าทั้งไอคิว-MAX และไอคิวดีกว่าเวสต์เวอร์จิเนียสองเส้นเขตแดน. ดัชนีชุดข้อตกลงเวลา; การจัดหมวดหมู่; คุณภาพของแต่ละบุคคล (IQ) ครั้งที่หนึ่ง บทนำการจำแนกประเภทของอนุกรมเวลาเป็นหัวข้องานวิจัยที่โดดเด่นในการทำเหมืองข้อมูลและความฉลาดในการคำนวณเนื่องจากการใช้งานจำนวนมากในโดเมนต่างๆเช่นการพูดการรับรู้[1], ตรวจสอบลายเซ็น [2] การวิเคราะห์คลื่นสมอง[3] เขียนด้วยลายมือ, การเงิน, ยาชีวภาพเคมีดาราศาสตร์หุ่นยนต์เครือข่ายอุตสาหกรรม[4]. เพื่อนบ้าน 1 ที่ใกล้ที่สุดง่าย (1 NN) วิธีการใช้แบบไดนามิกเวลาแปรปรวน(DTW- สนามบิน) ระยะทาง [1] ได้รับการแสดงที่จะมีการแข่งขันหรือดีกว่าหลายๆ รัฐของศิลปะอนุกรมเวลาวิธีการจำแนก[5] [6] [7] แต่ทางเลือกของพารามิเตอร์ k ในลักษณนาม k-NN เป็นที่รู้จักกันส่งผลกระทบต่อการออกอคติแปรปรวน[8]: ค่ามีขนาดเล็กของ k อาจนำไปสู่อิงในขณะที่ค่าขนาดใหญ่ของการเพิ่มขึ้นของk อคติและในกรณีนี้รูปแบบอาจจะจับแนวโน้มทั่วโลกเท่านั้น. การศึกษาล่าสุด [9] ได้ชี้ให้เห็นว่าการปรับปรุงที่สำคัญในความถูกต้องของk-NN จำแนกอนุกรมเวลาที่สามารถบรรลุกับk เป็นขนาดใหญ่กว่า 1 นี่คือสาเหตุที่แท้จริงลักษณะในข้อมูลอนุกรมเวลาชุดเช่นผสมระหว่างเรียนแตกต่างกัน, มิติและเบ้ในการกระจายของข้อผิดพลาด(เช่นการดำรงอยู่ของ "ไม่ดีฮับ" [9] ที่บัญชีสำหรับส่วนใหญ่ที่น่าแปลกใจของข้อผิดพลาดทั้งหมด) k พารามิเตอร์สามารถเลือกใช้ชุดย่อยถือออกของข้อมูลการฝึกอบรม