Предположим, что у нас есть три типа волновых паттернов, как показано на Рисунке 1.

  • синий узор показывает данные, взятые из синусоидальной функции;
  • красный узор показывает данные, выбранные случайным образом;
  • зеленый цвет показывает данные, взятые из комбинации трех синусоидальных функций;

Скажем, синяя кривая указывает на схему моего сердцебиения в нормальном состоянии, красная кривая указывает на схему моего сердцебиения, когда я смотрел Мировую войну Z, и зеленая кривая показывает образец моего сердцебиения, когда я смотрел Железного человека. (Хорошо, я здесь шучу. Пожалуйста, проверьте эту ссылку для серьезного обсуждения.)

Вот наша проблема: если у нас есть много образцов, состоящих из этих трех типов волновых паттернов, могут ли алгоритмы машинного обучения правильно классифицировать эти волновые паттерны, как общие задачи классификации нескольких классов в контролируемом обучении?

Простой ответ? Да! И алгоритмы машинного обучения, и механизмы глубокого обучения могут правильно решать такие задачи многоклассовой классификации. Вот краткое описание эксперимента.

  • Данные: есть 10 000 волновых шаблонов для обучения и 10 000 волновых шаблонов для тестирования. Каждый шаблон имеет 500 точек данных. Три вида паттернов примерно равномерно распределены как в наборе данных для обучения, так и в наборе данных для тестирования.
  • Алгоритм: четыре алгоритма классификации машинного обучения в разделе Scikit-Learn (т. е. наивный байесовский алгоритм, случайный лес, градиентное усиление и машина опорных векторов, как показано на Рис. 2,) и одна архитектура нейронной сети, реализованная Keras (т. Е. Многослойный персептрон, как показано на рисунке 3).
  • Эффективность. Все методы классификации позволяют прогнозировать результаты с точностью выше 98%, как показано на рисунке 4.

Выводы

В этом посте кратко описана проблема мультиклассовой классификации волновых паттернов. Перед проведением эксперимента я понятия не имел, как могут выглядеть результаты. Потому что, насколько мне известно, нет четкого эталона по классификации волновых паттернов, подобных тому, что было сделано по MNIST или CIFAR. Хотя это испытание дает некоторые положительные результаты, я считаю, что это серьезная проблема в таких приложениях, как обнаружение сердечных заболеваний и проведение мониторинга состояния. Если у вас есть какие-либо комментарии, дайте мне знать. Спасибо.