BOSSVSClassifierPyts

class BOSSVSClassifierPyts(word_size=4, n_bins=4, window_size=10, window_step=1, anova=False, drop_sum=False, norm_mean=False, norm_std=False, strategy='quantile', alphabet=None, numerosity_reduction=True, use_idf=True, smooth_idf=False, sublinear_tf=True)

向量空间中的Bag-of-SFA符号，来自pyts。

直接接口到 pyts.classification.BOSSVS，接口类作者是 johannfaouzi。

每个时间序列通过使用Bag-of-SFA Symbols (BOSS)算法转换为直方图。然后，对于每个类别，直方图被累加，并计算出一个tf-idf向量。新样本的预测类别是与其tf向量具有最高余弦相似度的类别，该类别与每个类别的tf-idf向量进行比较。

参数:

word_sizeint (默认值 = 4)

每个单词的大小。

n_binsint (默认值 = 4)

要生成的箱数。它必须在2到26之间。

窗口大小int 或 float (默认 = 10)

滑动窗口的大小。如果是浮点数，它表示每个时间序列大小的百分比，并且必须在0到1之间。窗口大小将计算为 ceil(window_size * n_timestamps)。

window_step整数或浮点数（默认 = 1）

滑动窗口的步长。如果是浮点数，它表示每个时间序列大小的百分比，并且必须在0到1之间。窗口大小将计算为 ceil(window_step * n_timestamps)。

方差分析bool (默认 = False)

如果为 True，傅里叶系数的选择通过单向 ANOVA 检验完成。如果为 False，则选择第一个傅里叶系数。

drop_sumbool (默认 = False)

如果为 True，则丢弃第一个傅里叶系数（即子序列的总和）。否则，保留它。

norm_meanbool (默认 = False)

如果为 True，则在缩放之前将每个子系列居中。

norm_stdbool (默认 = False)

如果为 True，则将每个子序列缩放到单位方差。

策略str (默认 = ‘quantile’)

用于定义箱宽的策略：

• ‘uniform’: 每个样本中的所有区间宽度相同

• ‘quantile’: 每个样本中的所有区间具有相同