如何知道在sktime的TimeSeriesForestClassifier中使用的特性是从哪个输入间隔计算出来的

Question

我使用sktime库的TimeSeriesForestClassifier类来执行多变量时间序列分类。

代码如下

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline

from sktime.classification.compose import ColumnEnsembleClassifier
from sktime.classification.interval_based import TimeSeriesForestClassifier
from sktime.datasets import load_basic_motions
from sktime.transformations.panel.compose import ColumnConcatenator

X, y = load_basic_motions(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)

steps = [
    ("concatenate", ColumnConcatenator()),
    ("classify", TimeSeriesForestClassifier(n_estimators=100)),
]
clf = Pipeline(steps)
clf.fit(X_train, y_train)
clf.score(X_test, y_test)

我想检查feature_importances_的值，它与输入的长度不一样，而是一个与特性数相同长度的数组。

clf.steps[1][1].feature_importances_

我想知道每一个重要的投入的哪一部分是对应的。是否有任何方法可以获得有关TimeSeriesForestClassifier正在从哪个部分计算特性的信息？

Answer 1

您可以从以下位置获得集合的每个树的间隔(开始和结束索引)：

clf.steps[1][1].intervals_

sktime现在也实现了较新的典型区间预报。

当我们第一次实现时间序列森林算法时，我们得到了两个版本。您使用的是推荐的版本，但旧版本为特性重要性图提供了自己的功能(参见下面)。

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline

from sktime.classification.compose import ColumnEnsembleClassifier
from sktime.classification.compose import ComposableTimeSeriesForestClassifier
from sktime.datasets import load_basic_motions
from sktime.transformations.panel.compose import ColumnConcatenator

X, y = load_basic_motions(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)

steps = [
    ("concatenate", ColumnConcatenator()),
    ("classify", ComposableTimeSeriesForestClassifier(n_estimators=100)),
]
clf = Pipeline(steps)
clf.fit(X_train, y_train)
clf.score(X_test, y_test)

clf.steps[-1][-1].feature_importances_.rename(columns={"_slope": "slope"}).plot(xlabel="time", ylabel="feature importance")

​

​

在计算和解释特征重要性时要注意一些微妙的问题。有关问题如下：

• https://github.com/alan-turing-institute/sktime/issues/214
• https://github.com/alan-turing-institute/sktime/issues/669