《表7 LSHST与其他经典分类器的分类时间对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于LSH的shapelets转换方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了说明LSHST在时间序列分类方面的先进性，对比了几种经典的分类方法，其中包括基于欧氏距离的最近邻算法（DTW＿1NN）、基于shapelets学习的LS算法[15]、基于SAX的shapelets发现算法（FS)[14]和集成算法（COTE)[13]。在实验中，LSHST使用Random Forest分类器。从实验结果可知，这5种方法的分类精度（表6所示，下标括号中为精度排名）平均排名分别是2.4(LSHST）、3.25(DTW＿1NN）、2.5(LS）、4.25(FS）、2.67(COTE），其中LSHST排名第一，结合表7可以得出，FS算法在分类精度上表现不如其他算法，而LS和COTE虽然具有较高的分类精度，但算法耗时巨大，特别是在数据规模较大的数据集Star Light Curves和Non InvasiveFetal ECGThorax上，分类时间均超过72 h(259 200 s）。DTW＿1NN表现出对数据规模的敏感，在小规模的数据集上表现更好。而本文所提LSHST在保证分类精度的同时，大量缩减分类时间的消耗，特别是在大规模数据集上具有明显优势。