classification

# 时间序列分类 Aeon 提供了 13 类与 scikit-learn 兼容的时间序列分类器。 ## 基于卷积的分类器 应用随机卷积变换进行高效特征提取： - `Arsenal` - 具有不同核的 ROCKET 分类器集成 - `HydraClassifier` - 具有膨胀的多分辨率卷积 - `RocketClassifier` - 具有岭回归的随机卷积核 - `MiniRocketClassifier` - 速度更快的简化 ROCKET 变体 - `MultiRocketClassifier` - 结合多种 ROCKET 变体 **适用场景**：需要在不同数据集上实现快速、可扩展且性能强大的分类时。 ## 深度学习分类器 针对时间序列优化的神经网络架构： - `FCNClassifier` - 全卷积网络 - `ResNetClassifier` - 带有跳跃连接的残差网络 - `InceptionTimeClassifier` - 多尺度 Inception 模块 - `TimeCNNClassifier` - 时间序列标准 CNN - `MLPClassifier` - 多层感知机基准 - `EncoderClassifier` - 通用编码器封装 - `DisjointCNNClassifier` - 专注于形状特征的架构 **适用场景**：拥有大规模数据集，需要端到端学习或处理复杂时间模式时。 ## 基于字典的分类器 将时间序列转换为符号表示： - `BOSSEnsemble` - 带有集成投票的 SFA 符号词袋模型 - `TemporalDictionaryEnsemble` - 多种字典方法的组合 - `WEASEL` - 用于时间序列分类的词提取 - `MrSEQLClassifier` - 多种符号序列学习 **适用场景**：需要可解释模型、稀疏模式或符号推理时。 ## 基于距离的分类器 利用专门的时间序列距离度量： - `KNeighborsTimeSeriesClassifier` - 带有时间距离（DTW, LCSS, ERP 等）的 k-NN - `ElasticEnsemble` - 结合多种弹性距离度量 - `ProximityForest` - 使用基于距离分割的树集成 **适用场景**：小数据集，需要基于相似度的分类或可解释的决策时。 ## 基于特征的分类器 在分类前提取统计和签名特征： - `Catch22Classifier` - 22 个规范的时间序列特征 - `TSFreshClassifier` - 通过 tsfresh 进行自动化特征提取 - `SignatureClassifier` - 路径签名变换 - `SummaryClassifier` - 摘要统计提取 - `FreshPRINCEClassifier` - 结合多种特征提取器 **适用场景**：需要可解释特征时。