SASTEN：实现高精度与扩展性的时序分类新算法

资源摘要信息:"SAST：可扩展且精确的子序列变换" SAST（Shapelet Transform Algorithm）是一种用于时间序列分类的时间序列变换算法。与传统的Shapelet变换算法STC（Shapelet Transform Classifier）相比，SAST提供了更高的可扩展性，同时保持了与STC几乎相同的分类精度。SAST的设计思想是通过选择和转换时间序列中的关键形状（即Shapelets），将时间序列数据转化为更适合机器学习模型处理的形式。 SASTEN（SAST Ensemble）是SAST的一个扩展版本，它通过构建一系列SAST模型的集合来提高分类的准确性。SASTEN模型不仅提升了准确性，而且比STC具有更好的可扩展性。而SASTEN-A是SASTEN的进一步优化，它通过仅考虑数据集中子序列的一个子集来进行近似，以减少计算复杂度和提高效率，但仍然保持较高的准确性。 在评估方面，通常会通过一系列实验来比较SAST、SASTEN、SASTEN-A以及当前最优（State Of The Art，SOTA）的时间序列分类算法的性能。性能评估通常包括： 1. 精度图（Precision Graph）：通过绘制精度随参数变化的曲线图，直观地展示不同算法在测试数据上的分类效果。 2. 可伸缩性图（Scalability Graph）：通过展示算法在处理不同长度的时间序列或不同数量的时间序列集合时的效率和性能，来评估算法的可伸缩性。 3. 关于时间序列的长度（Regarding Length of Time Series）：评估算法对于不同长度的时间序列数据的适应性和效率。 4. 关于数据集中的时间序列数（Regarding Number of Time Series in Dataset）：评估算法在面对大规模数据集时的性能表现。 在实际应用中，用户可以通过导入必要的库和模块来使用SAST算法。例如，在Python环境中，使用numpy库进行数值计算，导入自定义模块utils以及sast模块，再结合sklearn库中的RidgeClassifierCV进行时间序列分类任务。RidgeClassifierCV是一种岭回归分类器，它使用交叉验证来选择正则化参数α，使得模型在保持可解释性的同时，具有良好的预测性能。 在标签中提到的“time-series classification-algorithm interpretability shapelets JupyterNotebook”进一步说明了SAST算法的应用场景和开发环境。其中，“time-series classification”指的是时间序列分类这一任务；“algorithm interpretability”强调了算法的可解释性，即算法的决策过程和结果应该是透明和可理解的，这对于确保模型的可信度和可接受性至关重要；“shapelets”是SAST算法的核心概念，指的是时间序列数据中的关键形状片段；而“JupyterNotebook”是一个开源的Web应用程序，允许用户创建和共享包含代码、方程、可视化和文本的文档。 通过压缩包子文件“sast-main”，用户可以获取到SAST算法的源代码和相关文档，从而进一步了解和应用SAST算法。这可能包括安装指南、使用教程以及可能的API参考文档。