如何训练模型以检测时间线数据序列中的事件

Question

我有一个用户数据的时间线，我想训练一个模型来检测事件。

例如，事件可能是加速度计数据时间线中的手势。

或

查看时间的时间线（看手表），（标记神经或平静）。

什么机器学习算法适合这个问题？

由于

Answer 1

此任务称为事件检测，可以使用自然语言处理（NLP）技术执行。

没有“适当”或“不合适”的算法。您必须提取能够使算法检测事件的各种功能（例如，词性标签）。然后，您需要评估已实现的算法/模型（假设您还调整了每个算法的相应参数）并确定哪个是最佳的（在性能方面）。此外，您需要确定哪些功能有用，哪些功能不有用。

这些论文可能是一个很好的起点：

Machine Learning Algorithms for Event Detection

Event Detection Challenges, Methods, and Applications in Natural and Artificial Systems

Answer 2

关于什么是最好的方法，没有一个封闭的答案。根据经验，我最喜欢的建模系列方法通常是LSTM网。只要您有足够的数据，这些对于时间事件非常有用。您可以尝试寻找异常。为此，您可以使用LSTM，当出现意外情况时触发该LSTM。发生。另一种选择是定义不同的状态（例如is.event = {0,1}）并将您的LSTM训练为普通分类器（在Quora中检查此question）。您可以使用例如keras在python中轻松实现这一点。

如果数据不够丰富，您还可以尝试其他不错的顺序模型，如HMM和HSMM。这些也是从顺序数据中学习的监督模型。对于HSMM，您还要考虑每个州发生的时间，这取决于您的数据是否可用。据我所知，scikit-learn仅支持HMM，但有一个HSMM库可用here。

最后，有关处理数据的一些评论。如果您打算进行批量学习，此处建议的任何模型都可以正常工作。但是，如果您想进行在线学习（意味着您在数据到达时即时进行预测），您将需要坚持使用LSTM，或者如果您决定使用任何贝叶斯方法，可能需要检查此替代方法：{{ 3}}

希望这有帮助！