(1.1.21)-室內用戶運動時序數(shù)據(jù)分類

數(shù)據(jù)挖掘競賽報告目錄選題介紹1數(shù)據(jù)集情況2利用深度學習的方法3SVM方法4體會5選題介紹1室內用戶運動時序數(shù)據(jù)分類1.選題介紹隨著數(shù)據(jù)量的不斷積累，海量時序信息的處理需求日益凸顯。作為時間序列數(shù)據(jù)分析中的重要任務之一，時間序列分類應用廣泛且多樣。時間序列分類旨在賦予序列某個離散標記。傳統(tǒng)特征提取算法使用時間序列中的統(tǒng)計信息作為分類的依據(jù)。近年來，基于深度學習的時序分類取得了較大進展?；诙说蕉说奶卣魈崛》绞?，深度學習可以避免繁瑣的人工特征設計。如何對時間序列中進行有效的分類,從繁蕪叢雜的數(shù)據(jù)集中將具有某種特定形態(tài)的序列歸屬到同一個集合，對于學術研究及工業(yè)應用具有重要意義。選題介紹基于上述實際需求以及深度學習的進展，本次訓練賽旨在構建通用的時間序列分類算法。通過本賽題建立準確的時間序列分類模型，希望大家探索更為魯棒的時序特征表述方法。任務數(shù)據(jù)集介紹室內用戶運動時序數(shù)據(jù)分類輸入文字2.數(shù)據(jù)集情況數(shù)據(jù)整理自網(wǎng)上公開數(shù)據(jù)集UCI（已脫敏），數(shù)據(jù)集涵蓋2類不同時間序列，該類數(shù)據(jù)集廣泛應用于時序分類的業(yè)務場景。由于數(shù)據(jù)集已脫敏，可知每一個時間特征下的數(shù)據(jù)都已經做過規(guī)范化。因此在輸入模型時不需要再次規(guī)范化2.數(shù)據(jù)集情況數(shù)據(jù)整理自網(wǎng)上公開數(shù)據(jù)集UCI（已脫敏），數(shù)據(jù)集涵蓋2類不同時間序列，該類數(shù)據(jù)集廣泛應用于時序分類的業(yè)務場景。由于數(shù)據(jù)集已脫敏，可知每一個時間特征下的數(shù)據(jù)都已經做過規(guī)范化。因此在輸入模型時不需要再次規(guī)范化2.數(shù)據(jù)集情況2.數(shù)據(jù)集情況3.評價準則基于深度神經網(wǎng)絡分類器3.深度神經網(wǎng)絡LSTM有一些序列問題。假設我們試著去預測“IgrewupinFrance...IspeakfluentFrench”最后的這個French。當前的信息建議下一個詞可能是一種語言的名字，但是如果我們需要弄清楚是什么語言，我們是需要先前提到的離當前位置很遠的France的上下文的。這說明相關信息和當前預測位置之間的間隔就肯定變得相當?shù)拇蟆?/p>

不幸的是，在這個間隔不斷增大時，RNN會喪失學習到連接如此遠的信息的能力。3.深度神經網(wǎng)絡LSTM根據(jù)本次數(shù)據(jù)的特征，設計選用二層LSTM,取后一層隱層的特征作為輸出，由于是二分類，采用sigmoid函數(shù)激活。sigmoid3.深度神經網(wǎng)絡LSTM部分代碼如下：使用了128個神經元，dropout概率為0.5，最終在測試集上的正確率約為74%4，其他深度學習方法CNN可以很好地識別出數(shù)據(jù)中的簡單模式，然后使用這些簡單模式在更高級的層中生成更復雜的模式。當你希望從整體數(shù)據(jù)集中較短的（固定長度）片段中獲得感興趣特征，并且該特性在該數(shù)據(jù)片段中的位置不具有高度相關性時，1維卷積CNN是非常有效的。4，其他深度學習方法4，其他深度學習方法第一層定義了高度為10（也稱為卷積核大?。┑臑V波器（也稱為特征檢測器）。只有定義了一個濾波器，神經網(wǎng)絡才能夠在第一層中學習到一個單一的特征。這可能還不夠，因此我們會定義100個濾波器。這樣我們就在網(wǎng)絡的第一層中訓練得到100個不同的特性。第一個神經網(wǎng)絡層的輸出是一個71x100的矩陣。深度學習里的Attention模型其實模擬的是人腦的注意力模型。舉個例子來說，當我們閱讀一段話時，雖然我們可以看到整句話，但是在我們深入仔細地觀察時，其實眼睛聚焦的就只有很少的幾個詞，也就是說這個時候人腦對整句話的關注并不是均衡的，是有一定的權重區(qū)分的。這就是深度學習里的AttentionModel的核心思想。4，其他深度學習方法Attention機制于是改進模型，使用了雙向LSTM加attention層的模式，也就是將lstm每一個time-step的值輸出到attention層中，再得到最后的輸出。由于這個方法太消耗資源，還未得出結果。4.SVR方法SVR是支持向量回歸(supportvectorregression)的英文縮寫，是支持向量機(SVM)的重要的應用分支。從圖例中分析，支持向量機回歸與線性回歸相比，支持向量回歸表示只要在虛線內部的值都可認為是預測正確，只要計算虛線外部的值的損失即可。最終成績最終使用一維CNN，取得的成績來做為最終成績。排名109。5.體會學習了數(shù)據(jù)分析的方法學習了幾種深度學習框架學習了傳統(tǒng)回歸的方法在深度學習