Unsupervised Feature Based Algorithms for Time Series Extrinsic Regression
Dieser Beitrag erweitert den Benchmark für extrinsische Zeitreihenregression (TSER) auf 63 Probleme und zeigt, dass zwei neu vorgestellte unüberwachte, auf Merkmalen basierende Algorithmen, FreshPRINCE und DrCIF, bestehende Methoden, einschließlich des Standard-Rotation-Forest-Regressors, signifikant übertreffen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie besitzen eine riesige Bibliothek von Geschichten, die in einer seltsamen, fließenden Schrift namens „Zeitreihen" geschrieben sind. Normalerweise nutzt man diese Geschichten, um vorherzusagen, was als Nächstes in der Geschichte passiert (wie etwa die Vorhersage des Wetters für morgen). Manchmal möchte man jedoch mit diesen Geschichten etwas völlig anderes erraten, das nicht Teil der Geschichte selbst ist.
Dieser Artikel handelt von einem bestimmten Typ von Ratespiel namens Extrinsische Regression für Zeitreihen (TSER).
Hier ist die einfache Aufschlüsselung dessen, was die Autoren getan haben, unter Verwendung alltäglicher Analogien:
1. Das Problem: Das Puzzle „Bodenspektrum"
Stellen Sie sich ein Stück Erde vor. Man kann es nicht leicht im Labor testen, um zu sehen, wie viel Kalium (ein Nährstoff) es enthält, ohne viel Geld und Zeit zu investieren. Man kann jedoch Licht darauf werfen und ein „Spektrum" erhalten – eine gewellte Linie, die wie ein Herzmonitor aussieht.
Das Ziel von TSER ist es, diese gewellte Linie (die Zeitreihe) zu betrachten und das Kaliumniveau (die Zahl) zu erraten. Die gewellte Linie enthält die Zahl nicht; sie deutet nur darauf hin.
2. Die alte Bibliothek vs. die neue Bibliothek
Vor diesem Artikel gab es eine kleine „Bibliothek" von 19 Puzzles (Datensätzen), bei denen Menschen versuchten, dieses Ratespiel zu lösen. Die Autoren waren der Meinung, diese Bibliothek sei zu klein, um sicher zu sein, welche Ratemethode tatsächlich die beste ist.
- Was sie taten: Sie gingen hinaus und fanden 44 neue Puzzles aus dem gesamten Internet (Kaggle, Regierungsdaten usw.) und brachten die Gesamtgröße der Bibliothek auf 63 Puzzles.
- Die Vielfalt: Diese Puzzles reichen von der Vorhersage, wie viel Energie ein Gebäude verbraucht, über die Schätzung der Luftqualität in einer Stadt bis hin zur Ermittlung, wie viel Alkohol im Blut einer Person ist, basierend darauf, wie sie geht.
3. Der Wettbewerb: Wer ist die beste Rate-Maschine?
Die Autoren nahmen 21 verschiedene „Rate-Maschinen" (Algorithmen) und ließen sie in diesen 63 Puzzles gegeneinander antreten. Sie wollten sehen, welche Maschine die gewellten Linien in die genauesten Zahlen verwandeln konnte.
Die Kandidaten:
- Die Klassiker: Standard-Mathematikwerkzeuge wie Random Forests und XGBoost (denken Sie an diese als zuverlässige, universell einsetzbare Rechner).
- Die Deep-Learning-Modelle: Komplexe KI-Modelle (wie InceptionTime), die versuchen, Muster automatisch zu lernen, ähnlich wie ein Mensch lernt, ein Gesicht zu erkennen.
- Die Spezialisten: Werkzeuge, die speziell für Zeitreihen entwickelt wurden, wie ROCKET (das zufällige Filter verwendet, um Muster zu finden).
4. Die große Überraschung: Der „Rotation Forest"
Die Autoren erwarteten, dass die ausgefallenen, komplexen KI-Modelle oder die spezialisierten Zeitreihen-Tools gewinnen würden. Sie lagen falsch.
- Der Gewinner (bisher): Ein Standard-Tool aus dem Regal namens Rotation Forest (angepasst für Regression) war überraschend stark. Es ist wie die Verwendung eines robusten, gut geölten Taschenmessers anstelle eines High-Tech-Laserschneiders, und es funktionierte besser als der Laser.
- Die neuen Champions: Die Autoren stellten zwei neue „Maschinen" vor, die durch die Anpassung erfolgreicher Methoden aus einem anderen Bereich (Zeitreihen-Klassifikation, bei der es darum geht, Dinge in Kategorien einzuteilen statt Zahlen zu erraten) entwickelt wurden.
- FreshPRINCE: Diese Maschine nimmt die gewellte Linie, zerlegt sie in Hunderte einfacher Zusammenfassungen (wie „wie schnell steigt sie?", „was ist der Durchschnitt?", „wie wellig ist sie?") und füttert diese Zusammenfassungen dann in den Rotation Forest.
- DrCIF: Diese Maschine ist wie ein Team von Detektiven. Sie zerschneidet die gewellte Linie in zufällige kleine Stücke, sucht in diesen Stücken nach interessanten Mustern und kombiniert die Meinungen vieler „Detektive", um eine endgültige Schätzung abzugeben.
5. Die Ergebnisse
Als sie das Rennen durchführten:
- Die beiden neuen Maschinen (FreshPRINCE und DrCIF) waren die eindeutigen Gewinner. Sie waren deutlich besser als der Rotation Forest, die Deep-Learning-KI und alle anderen 18 Konkurrenten.
- Die Deep-Learning-Falle: Das ausgefallene KI-Modell (InceptionTime) war bei einigen Puzzles sehr gut, scheiterte aber spektakulär bei anderen. Es war inkonsistent. Die neuen Maschinen waren beständig und zuverlässig.
- Das Fazit: Man braucht nicht immer die komplexeste, teuerste KI, um diese Probleme zu lösen. Manchmal funktioniert eine clevere Kombination aus einfachen Zusammenfassungen und einem robusten Entscheidungsbaum am besten.
6. Warum dies wichtig ist (laut dem Artikel)
Der Artikel behauptet nicht, dass diese Werkzeuge Krankheiten heilen oder die Welt sofort retten werden. Stattdessen behauptet er:
- Wir haben mehr Daten: Wir haben nun eine viel größere, vielfältigere Bibliothek von 63 Problemen, an denen wir Ideen testen können.
- Wir haben bessere Werkzeuge: Wir wissen nun, dass FreshPRINCE und DrCIF derzeit die besten Wege sind, um diese spezifischen „gewellte Linie zu Zahl"-Puzzles zu lösen.
- Wir haben offenen Code: Die Autoren haben ihren Code veröffentlicht, damit jeder diese neuen Maschinen selbst ausprobieren kann.
Kurz gesagt: Die Autoren bauten eine größere Teststrecke, ließen 21 verschiedene Autos darauf fahren und stellten fest, dass zwei neue, klug konstruierte Autos (FreshPRINCE und DrCIF) schneller und zuverlässiger fuhren als die High-Tech-Supersportwagen, von denen alle erwartet hatten, dass sie gewinnen würden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.