Pyts入门之时间序列的分类---SAX-VSM算法详解（三）

简介

相信不少人会被这个标题唬住，什么叫SAX-VSM算法，其实并不难，容我细细道来。

首先它来自2013年的"SAX-VSM: Interpretable Time Series Classification Using SAX and Vector Space Model"这篇论文，全称为Symbolic Aggregate approXimation in Vector Space Model（在向量空间模型中进行符号聚合近似），其实就是先进行符号聚合近似（SAX)，再进行词向量的转换（VSM），细心的朋友应该会发现第一节中简单介绍过SAX。

看到这里，你们可能会想这和时间序列的分类有什么关系呢？

实际上，这是一种把时间序列转换为字母的特征表达，然后使用自然语言处理(NLP)的方法来进行分类的方法。

在Pyts中呢，对于SAX的实现使用了词袋模型，对于词向量的转换则使用了tf-idf模型，所以它的本质就是数字-词转换+Tf-idf。那么如何进行分类的任务呢？只要计算余弦相似度就可以了。
(余弦相似度的百度百科）

所以，它的算法步骤分为以下五步（假设分类有两类）：
1.对训练集中每一个时间序列进行窗口滑动抽取子序列。
2.对每一个子序列进行词转换为字母序列。
3.对字母序列进行tf-idf的向量转换，得到两类tf-idf向量。
4.对新的时间序列进行同样的转换，分别计算和两类tf-idf向量的余弦相似度。
5.两个相似度哪个更高，则把新的时间序列分为哪一类。

那么我们接下来先讲两个基本概念：

滑动窗口

可能有些朋友对滑动窗口没什么概念。。它长下面这样子：

比如目前窗口大小为4，步长为1，就是以1个数字为单位，里面有4个数字一起往右滑动，所以对上面这个序列进行抽取子序列的结果是：
主序列1：(0,1,2,3),(1,2,3,4),(2,3,4,5)
主序列2：(6,7,8,9),(7,8,9,10),(8,9,10,11)
抽取出了2x3总共六个子序列。

词转换

这里的词袋(bagofwords)其实更形象的说法是把数字变成字母（在0.11版本中将变成word_extractor，即文字提取），直接上代码，依旧以上面这两行序列作例子：

import numpy as np
from pyts.bag_of_words import BagOfWords
X = np.arange(12).reshape(2, 6