【小笔记】用tsai库实现Rocket家族算法

2024-01-17 08:44

本文主要是介绍【小笔记】用tsai库实现Rocket家族算法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

2024.1.16
Rocket家族算法是用于时间序列分类的强baseline(性能比较参考【小笔记】时序数据分类算法最新小结),Rocket/MiniRocket/MultiRocket官方都有开源实现,相比较而言,用tsai来实现有三个好处:1是快速跑通模型;2是更简洁优雅;3是掌握一个框架能举一反三。
在这里插入图片描述

1.tsai简介

项目:https://github.com/timeseriesAI/tsai
在这里插入图片描述

简介:
用于处理时间序列的工具库,包含TCN、Rockert等众多时间序列处理算法
请添加图片描述
安装:

pip install tsai

2.Rocket:最优雅的实现

这个例子是基于UCR的Beef数据集,运行时,会自动下载数据集到项目的data路径下

from tsai.all import *
from sklearn.linear_model import RidgeClassifierCV
from dsets_build import get_my_dsetsdevice = 'cuda' if torch.cuda.is_available() else 'cpu'
print(device)# 加载UCR数据集
X, y, splits = get_UCR_data('Beef', return_split=False, on_disk=True, verbose=True)
tfms  = [None, [Categorize()]]
batch_tfms = [TSStandardize(by_sample=True)]
dsets = TSDatasets(X, y, tfms=tfms, splits=splits)# 标准示例
dls = TSDataLoaders.from_dsets(dsets.train, dsets.valid, bs=768, drop_last=False, shuffle_train=False,device=device,batch_tfms=[TSStandardize(by_sample=True)])
model = create_model(ROCKET, dls=dls)
# model = model.to(device)print("构造特征...")
X_train, y_train = create_rocket_features(dls.train, model, verbose=False)
X_valid, y_valid = create_rocket_features(dls.valid, model, verbose=False)
print(X_train.shape, X_valid.shape)print("基于特征开始训练...")
ridge = RidgeClassifierCV(alphas=np.logspace(-8, 8, 17))
ridge.fit(X_train, y_train)
print(f'alpha: {ridge.alpha_:.2E}  train: {ridge.score(X_train, y_train):.5f}  valid: {ridge.score(X_valid, y_valid):.5f}')

3.MiniRocket:(比Rocket更快)

待补充

4.MultiRocket:(比MiniRocket更强)

待补充

5.Hydra-MultiRocket:(Rocket家最强王者)

待补充

6.用自己的数据集训练模型

上面的例子都是用的UCR数据集,若要用自己的数据集进行训练怎么解决?
官方教程:
tsai-main\tutorial_nbs路径下的00c_Time_Series_data_preparation.ipynb
在这里插入图片描述
我总结了一下,基于单变量时间序列构建数据集就是下面这样:
dsets_build.py

from tsai.all import *
import numpy as np
import pandas as pddef get_my_dsets():# 导入数据集train_data, valid_data, test_data = [[], []], [[], []], [[], []]radio_train, radio_valid, radio_test = 0.6, 0.2, 0.2# !这是我的读取读取例子,读者需要进行替换----------------------------------path = "train.csc"data = pd.read_csv(path)	train_data[0] = data['x'].tolist()train_data[1] = data['y'].tolist()# -----------------------------------------------------------------------# 将数据转换为np.array即可,剩下的都是通用了X_2d, y = np.array(train_data[0]), np.array(train_data[1])print(X_2d.shape, y.shape)    # (4000, 4096) (4000,)splits = get_splits(y, valid_size=0.2, stratify=True, random_state=23, shuffle=True, show_plot=False)print(splits)tfms = [None, [Categorize()]]dsets = TSDatasets(X_2d, y, tfms=tfms, splits=splits, inplace=True)print(dsets)return dsets

将数据集转换为tsai的dsets后,就可以直接用于训练模型了。

from tsai.all import *
from sklearn.linear_model import RidgeClassifierCV
from dsets_build import get_my_dsetsdevice = 'cuda' if torch.cuda.is_available() else 'cpu'
print(device)# 加载UCR数据集
# X, y, splits = get_UCR_data('Beef', return_split=False, on_disk=True, verbose=True)
# tfms  = [None, [Categorize()]]
# batch_tfms = [TSStandardize(by_sample=True)]
# dsets = TSDatasets(X, y, tfms=tfms, splits=splits)# 加载自定义的数据集
dsets = get_my_dsets()         # 和Rockert例子只有这里的区别# 标准示例
dls = TSDataLoaders.from_dsets(dsets.train, dsets.valid, bs=768, drop_last=False, shuffle_train=False,device=device,batch_tfms=[TSStandardize(by_sample=True)])
model = create_model(ROCKET, dls=dls)
# model = model.to(device)print("构造rocket特征...")
X_train, y_train = create_rocket_features(dls.train, model, verbose=False)
X_valid, y_valid = create_rocket_features(dls.valid, model, verbose=False)
print(X_train.shape, X_valid.shape)print("基于特征开始训练...")
ridge = RidgeClassifierCV(alphas=np.logspace(-8, 8, 17))
ridge.fit(X_train, y_train)
print(f'alpha: {ridge.alpha_:.2E}  train: {ridge.score(X_train, y_train):.5f}  valid: {ridge.score(X_valid, y_valid):.5f}')

这篇关于【小笔记】用tsai库实现Rocket家族算法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/615478

相关文章

Python实现终端清屏的几种方式详解

《Python实现终端清屏的几种方式详解》在使用Python进行终端交互式编程时,我们经常需要清空当前终端屏幕的内容,本文为大家整理了几种常见的实现方法,有需要的小伙伴可以参考下... 目录方法一:使用 `os` 模块调用系统命令方法二:使用 `subprocess` 模块执行命令方法三:打印多个换行符模拟

SpringBoot+EasyPOI轻松实现Excel和Word导出PDF

《SpringBoot+EasyPOI轻松实现Excel和Word导出PDF》在企业级开发中,将Excel和Word文档导出为PDF是常见需求,本文将结合​​EasyPOI和​​Aspose系列工具实... 目录一、环境准备与依赖配置1.1 方案选型1.2 依赖配置(商业库方案)二、Excel 导出 PDF

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器(Broker)‌‌3. pytho

使用zip4j实现Java中的ZIP文件加密压缩的操作方法

《使用zip4j实现Java中的ZIP文件加密压缩的操作方法》本文介绍如何通过Maven集成zip4j1.3.2库创建带密码保护的ZIP文件,涵盖依赖配置、代码示例及加密原理,确保数据安全性,感兴趣的... 目录1. zip4j库介绍和版本1.1 zip4j库概述1.2 zip4j的版本演变1.3 zip4

python生成随机唯一id的几种实现方法

《python生成随机唯一id的几种实现方法》在Python中生成随机唯一ID有多种方法,根据不同的需求场景可以选择最适合的方案,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习... 目录方法 1:使用 UUID 模块(推荐)方法 2:使用 Secrets 模块(安全敏感场景)方法

Spring StateMachine实现状态机使用示例详解

《SpringStateMachine实现状态机使用示例详解》本文介绍SpringStateMachine实现状态机的步骤,包括依赖导入、枚举定义、状态转移规则配置、上下文管理及服务调用示例,重点解... 目录什么是状态机使用示例什么是状态机状态机是计算机科学中的​​核心建模工具​​,用于描述对象在其生命

Spring Boot 结合 WxJava 实现文章上传微信公众号草稿箱与群发

《SpringBoot结合WxJava实现文章上传微信公众号草稿箱与群发》本文将详细介绍如何使用SpringBoot框架结合WxJava开发工具包,实现文章上传到微信公众号草稿箱以及群发功能,... 目录一、项目环境准备1.1 开发环境1.2 微信公众号准备二、Spring Boot 项目搭建2.1 创建

IntelliJ IDEA2025创建SpringBoot项目的实现步骤

《IntelliJIDEA2025创建SpringBoot项目的实现步骤》本文主要介绍了IntelliJIDEA2025创建SpringBoot项目的实现步骤,文中通过示例代码介绍的非常详细,对大家... 目录一、创建 Spring Boot 项目1. 新建项目2. 基础配置3. 选择依赖4. 生成项目5.

Linux下删除乱码文件和目录的实现方式

《Linux下删除乱码文件和目录的实现方式》:本文主要介绍Linux下删除乱码文件和目录的实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录linux下删除乱码文件和目录方法1方法2总结Linux下删除乱码文件和目录方法1使用ls -i命令找到文件或目录

SpringBoot+EasyExcel实现自定义复杂样式导入导出

《SpringBoot+EasyExcel实现自定义复杂样式导入导出》这篇文章主要为大家详细介绍了SpringBoot如何结果EasyExcel实现自定义复杂样式导入导出功能,文中的示例代码讲解详细,... 目录安装处理自定义导出复杂场景1、列不固定,动态列2、动态下拉3、自定义锁定行/列,添加密码4、合并