34、基于集成的正无标签时间序列分类及高效挖掘规则频繁模式

基于集成的正无标签时间序列分类及高效挖掘规则频繁模式

基于集成的正无标签时间序列分类

在时间序列分类领域，正无标签学习方法具有重要意义，它能省去手动标记大量训练数据这一繁琐且昂贵的过程。这里提出了一种新颖的 En - LCLC 算法（基于集成的公共局部聚类学习算法），旨在克服现有 LCLC 算法的不足。

实验设置

• 数据处理 ：在实证评估中，重复了相关实验，从正训练类中随机选取一个种子示例用于学习阶段，其余训练集（包括正例和负例）视为无标签数据。每个数据集使用不同的初始正种子实例重复实验 10 次，并报告 10 次结果的平均值。
• 参数设置 ：En - LCLC 算法执行 n 个不同的分类器来为每个实例生成置信度分数，这里设置 n = 15，后续还会评估 n 的敏感性。
• 评估指标 ：使用 F - 度量来评估四种正无标签（PU）学习技术的性能。F - 度量是精确率（p）和召回率（r）的调和平均值，即 F = 2 * p * r / (p + r)。只有当精确率和召回率都较好时，F - 度量才会较大，这适合准确分类正负时间序列数据的需求。

实验结果

数据集	Wei’s 方法	Ratana’s 方法	LCLC	En - LCLC