慢速特征分析简介

我最近在波鸿鲁尔大学开始了机器学习的博士学位研究。 我加入的小组的主要研究主题之一是慢特征分析（SFA）。 要学习一个新主题，我喜欢看示例和直观的解释，如果可能的话，让自己沉浸在数学上的严谨中。 我为其他喜欢以类似方式接触学科的人写了这篇博客文章，因为我认为SFA既强大又有趣。

在本文中，我将以一个应用SFA的代码示例为指导，以帮助激发该方法。 然后，我将详细介绍该方法背后的数学原理，最后提供指向该材料上其他良好资源的链接。

1.确定一个平滑的潜在变量

SFA是一种无监督的学习方法，可以从时间序列中提取最平滑（最慢）的基础功能或特征 。 这可以用于降维，回归和分类。 例如，我们可以有一个高度不稳定的级数，该级数由更好的行为潜变量确定。

让我们开始生成时间序列D和S：

这称为后勤图。 通过绘制序列S ，我们可以检查其混沌性质。 驱动上面曲线的行为的基本时间序列D简单得多：

我们如何从不稳定的时间序列中确定简单的基础驱动力？

我们可以使用SFA来确定功能最缓慢变化的功能。 在我们的情况下，我们将以S之类的数据开始，以D结束，而不必事先知道S是如何生成的。