我正在管道中使用用于tsfresh的sklearn transformer,希望在提取特征之前规范化我的时间序列。我的数据集由包含多个时间序列的多个样本组成
def build_timeseries_pipeline():
regressor = ensemble.RandomForestRegressor()
return pipeline.Pipeline(
[
(
"augmenter",
FeatureAugmenter(
column_id=globals.dataset.column_names["subject_id"],
column_sort=globals.dataset.column_names["time"],
default_fc_parameters=globals.dataset.tsfresh_features,
n_jobs=16,
),
),
("regressor", regressor),
]
)
这是我的工作代码,但我想做一些如下代码所示的事情
def build_timeseries_pipeline():
regressor = ensemble.RandomForestRegressor()
return pipeline.Pipeline(
[
("normalize", Normalizer()),
(
"augmenter",
FeatureAugmenter(
column_id=globals.dataset.column_names["subject_id"],
column_sort=globals.dataset.column_names["time"],
default_fc_parameters=globals.dataset.tsfresh_features,
n_jobs=16,
),
),
("regressor", regressor),
]
)
当然,这不起作用,因为我们只将索引而不是实际数据作为X发送到管道。但我希望能够在使用FeatureAugmenter提取特征之前,将每个样本作为数据帧单独预处理
这可能吗
任何清洁解决方案的想法都将不胜感激
目前没有回答
相关问题 更多 >
编程相关推荐