tslearn.metrics

tslearn.metrics 模块提供了时间序列特定的指标，这些指标可用于机器学习算法的核心。

用户指南： 有关更多详细信息，请参阅动态时间规整（DTW）部分。

函数

cdist_dtw(dataset1[, dataset2, ...])	使用动态时间规整（DTW）相似性度量计算交叉相似性矩阵。
cdist_gak(dataset1[, dataset2, sigma, ...])	使用全局对齐核（GAK）计算交叉相似性矩阵。
ctw(s1, s2[, max_iter, n_components, ...])	计算（可能是多维的）时间序列之间的规范时间扭曲（CTW）相似性度量，并返回相似性。
ctw_path(s1, s2[, max_iter, n_components, ...])	计算（可能是多维的）时间序列之间的规范时间扭曲（CTW）相似性度量，并返回对齐路径、规范相关分析（sklearn）对象和相似性。
dtw(s1, s2[, global_constraint, ...])	计算（可能是多维的）时间序列之间的动态时间规整（DTW）相似性度量并返回结果。
dtw_path(s1, s2[, global_constraint, ...])	计算（可能是多维的）时间序列之间的动态时间规整（DTW）相似度度量，并返回路径和相似度。
dtw_path_from_metric(s1[, s2, metric, ...])	使用用户定义的距离度量计算（可能是多维的）时间序列之间的动态时间规整（DTW）相似性度量，并返回路径和相似性。
dtw_limited_warping_length(s1, s2, max_length)	计算在结果路径长度的上限约束下，（可能是多维的）时间序列之间的动态时间规整（DTW）相似性度量，并返回相似性成本。
dtw_path_limited_warping_length(s1, s2, ...)	在结果路径长度的上限约束下，计算（可能是多维的）时间序列之间的动态时间规整（DTW）相似性度量，并返回路径以及相似性成本。
subsequence_path(acc_cost_mat, idx_path_end)	通过给定的序列端点计算通过累积成本矩阵的最优路径。
subsequence_cost_matrix(subseq, longseq[, be])	计算子序列与参考时间序列之间的累积成本矩阵得分。
dtw_subsequence_path(subseq, longseq[, be])	计算一个（可能是多维的）查询和一个长时间序列之间的子序列动态时间规整（DTW）相似度度量，并返回路径和相似度。
lcss(s1, s2[, eps, global_constraint, ...])	计算（可能是多维的）时间序列之间的最长公共子序列（LCSS）相似度度量，并返回相似度。
lcss_path(s1, s2[, eps, global_constraint, ...])	计算（可能是多维的）时间序列之间的最长公共子序列（LCSS）相似度度量，并返回路径和相似度。
lcss_path_from_metric(s1[, s2, eps, metric, ...])	使用用户定义的距离度量计算（可能是多维的）时间序列之间的最长公共子序列（LCSS）相似度度量，并返回路径和相似度。
gak(s1, s2[, sigma, be])	计算（可能是多维的）时间序列之间的全局对齐核（GAK）并返回它。
soft_dtw(ts1, ts2[, gamma, be, ...])	计算两个时间序列之间的Soft-DTW度量。
soft_dtw_alignment(ts1, ts2[, gamma, be, ...])	计算两个时间序列之间的Soft-DTW度量，并返回相似度度量和对齐矩阵。
cdist_soft_dtw(dataset1[, dataset2, gamma, ...])	使用Soft-DTW度量计算交叉相似性矩阵。
cdist_soft_dtw_normalized(dataset1[, ...])	使用归一化版本的Soft-DTW度量计算交叉相似性矩阵。
lb_envelope(ts[, radius, be])	计算LB_Keogh所需的时间序列包络。
lb_keogh(ts_query[, ts_candidate, radius, ...])	计算LB_Keogh。
sigma_gak(dataset[, n_samples, random_state, be])	计算用于GAK的sigma值。
gamma_soft_dtw(dataset[, n_samples, ...])	计算用于GAK/Soft-DTW的gamma值。
SoftDTWLossPyTorch([gamma, normalize, dist_func])	PyTorch中的Soft-DTW损失函数。