Apa cara yang baik untuk mengubah atribut Ordinal Cyclic?

Saya memiliki bidang 'jam' sebagai atribut saya, tetapi dibutuhkan nilai siklik. Bagaimana saya bisa mengubah fitur untuk menjaga informasi seperti '23' dan '0' jam dekat tidak jauh.

Satu cara yang bisa saya pikirkan adalah melakukan transformasi: min(h, 23-h)

Input: [0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]

Output: [0 1 2 3 4 5 6 7 8 9 10 11 11 10 9 8 7 6 5 4 3 2 1]

Apakah ada standar untuk menangani atribut seperti itu?

Update: Saya akan menggunakan superviseed learning, untuk melatih classifier hutan acak!

Cara paling logis untuk mengubah jam adalah menjadi dua variabel yang berayun bolak-balik. Bayangkan posisi ujung jarum jam dari 24 jam. The xayunan posisi bolak-balik dari wastafel dengan yposisi. Untuk jam 24-jam Anda dapat melakukannya dengan x=sin(2pi*hour/24), y=cos(2pi*hour/24).

Anda perlu kedua variabel atau gerakan yang tepat melalui waktu hilang. Hal ini disebabkan oleh fakta bahwa turunan dari dosa atau cos berubah dalam waktu ketika (x,y)posisi bervariasi dengan lancar saat bergerak di sekitar satuan lingkaran.

Akhirnya, pertimbangkan apakah perlu menambahkan fitur ketiga untuk melacak waktu linier, yang dapat dibangun jam saya (atau menit atau detik) dari awal catatan pertama atau cap waktu Unix atau sesuatu yang serupa. Ketiga fitur ini kemudian memberikan proksi untuk progresif siklus dan linear waktu, mis. Anda dapat menarik fenomena siklus seperti siklus tidur dalam pergerakan manusia dan juga pertumbuhan linear seperti populasi vs waktu.

Semoga ini membantu!

Menambahkan beberapa kode contoh yang relevan yang saya hasilkan untuk jawaban lain:

Contoh jika dilakukan:

# Enable inline plotting
%matplotlib inline

#Import everything I need...

import numpy as np
import matplotlib as mp

import matplotlib.pyplot as plt
import pandas as pd

# Grab some random times from here: https://www.random.org/clock-times/
# put them into a csv.
from pandas import DataFrame, read_csv
df = read_csv('/Users/angus/Machine_Learning/ipython_notebooks/times.csv',delimiter=':')
df['hourfloat']=df.hour+df.minute/60.0
df['x']=np.sin(2.*np.pi*df.hourfloat/24.)
df['y']=np.cos(2.*np.pi*df.hourfloat/24.)

df

def kmeansshow(k,X):

    from sklearn import cluster
    from matplotlib import pyplot
    import numpy as np

    kmeans = cluster.KMeans(n_clusters=k)
    kmeans.fit(X)

    labels = kmeans.labels_
    centroids = kmeans.cluster_centers_
    #print centroids

    for i in range(k):
        # select only data observations with cluster label == i
        ds = X[np.where(labels==i)]
        # plot the data observations
        pyplot.plot(ds[:,0],ds[:,1],'o')
        # plot the centroids
        lines = pyplot.plot(centroids[i,0],centroids[i,1],'kx')
        # make the centroid x's bigger
        pyplot.setp(lines,ms=15.0)
        pyplot.setp(lines,mew=2.0)
    pyplot.show()
    return centroids

Sekarang mari kita coba:

kmeansshow(6,df[['x', 'y']].values)

Anda hanya bisa melihat bahwa ada beberapa setelah tengah malam yang termasuk dalam kluster hijau sebelum tengah malam. Sekarang mari kita kurangi jumlah cluster dan tunjukkan bahwa sebelum dan sesudah tengah malam dapat dihubungkan dalam satu cluster secara lebih detail:

kmeansshow(3,df[['x', 'y']].values)

Lihat bagaimana gugus biru berisi waktu dari sebelum dan sesudah tengah malam yang dikelompokkan bersama di dalam kluster yang sama ...

QED!

Pertanyaannya sangat menarik dan saya tidak ingat membaca tentang jawaban yang menarik. Karena itu saya berani memberi Anda satu solusi yang mungkin bahkan jika itu terlihat cukup gila.

Biasanya seseorang menghindari memiliki informasi yang sama dalam banyak fitur, karena banyak algoritma tidak dapat mengatasinya. Tapi ini bukan kasus hutan acak. Membandingkan regresi linier (dan semua model berdasarkan ide yang sama), hutan acak menguji semua fitur, dengan mempertimbangkan setiap fitur satu per satu. Dengan cara ini dimungkinkan untuk membuat kode informasi yang sama dalam berbagai cara tanpa mempengaruhi kinerja pembelajaran, hanya ruang dan waktu berjalan.

$(h+offset)%24$ . Ini seperti ketika Anda menyandikan waktu di zona waktu lokal. Dengan demikian Anda memberikan kesempatan untuk mendeteksi menggunakan unit yang sama beberapa aglomerasi menarik sekitar beberapa jam, karena setiap jam yang mungkin memiliki kesempatan untuk dikodekan dengan benar dalam setidaknya 1 dari 24 fitur.

Itu menghabiskan beberapa ruang dan waktu, tetapi saya akan mencobanya untuk melihat bagaimana itu bekerja.

Idealnya Anda tidak perlu transformasi apa pun. Perbedaan waktu relatif antara dua titik dapat digunakan sebagai fungsi jarak. Di mana klasifikasi dapat didasarkan pada ini.

di java:

public class TimeDistanceMeasurer implements DistanceMeasure {

    @Override
    public double compute(double[] a, double[] b) throws DimensionMismatchException {
        String time1 = String.format("%02d", (int)a[0]) + String.format("%02d", (int)a[0]);
        String time2 = String.format("%02d", (int)b[0]) + String.format("%02d", (int)b[0]);

        SimpleDateFormat format = new SimpleDateFormat("HHmm");
        try {
            Date date1 = format.parse(time1);
            Date date2 = format.parse(time2);
            return Math.abs(date2.getTime() - date1.getTime());
        } catch (Exception e) {
            throw new IllegalStateException("Something went wrong.", e);
        }
    }
}