Idősor karaktersorozatként való vizsgálata – SAX algoritmus Szabó Dániel Konzulens: dr. Dobrowiecki Tadeusz Önálló Labor előadás december 12.

Áttekintés Adatbányászat (Data Mining) –Orvosi adatbányászat (Data Mining in Clinical Medicine) Idősorok vizsgálata (Temporal Abstraction) –Időkeretek összehasonlítása (Temporal Pattern Matching) »SAX algoritmus (Symbolic Aggregate ApproXimation)

Előrejelzés adatbányászattal az orvostudományban Orvosi adatbányászat: olyan területeken alkalmazott, amelyek nagyméretű adathalmaz feldolgozását igénylik (molekuláris kutatások, genetikai adatok) Egyik fontos területe az idősorok vizsgálata (Temporal Abstraction, TA) Rendszeresen (akár folytonosan) mért adatok elemzésére szolgál (pl. vércukorszint változása, szívverés, ECG), ezek viselkedésére próbál magyarázatot találni

A tudásalapú időbeli absztrakció Knowledge-Based Temporal Abstraction, KBTA: egy idősorra alkalmazott adatbányászati módszer, melynek során az adott feladat öt részfeladatra oszlik, ezek közül mindegyikre különböző tudástípusokat alkalmazva más-más módszerek használatosak Az öt részfeladat közül az egyik az idősor mintázatait hasonlítja össze (Temporal-pattern matching) osztályozás segítségével (Classification knowledge)

Az idősor mintáinak hasonlósága Brute Force Algorithm: quadratic in the length of the time series „Poppet pulled significantly out of the solenoid before energizing” Symbolic Aggregate ApproXimation (SAX): 3 to 4 orders of magnitude Faster than brute force

Symbolic Aggregate ApproXimation (SAX) Egy n hosszúságú C idősor w egyenlő méretű keretre osztása (PAA – Piecewise Aggregate Approximation) Gauss-görbe a db egyenlő területre osztása alapján a ß értékek (Breakpoint) meghatározása

Symbolic Aggregate ApproXimation (SAX) Az azonos breakpointok közé kerülő keretek ugyanazt a szimbólumot kapják Végül az idősor helyett egy karaktersorozatot kapunk: cbccbaab

SAX – fa (trie) építése A külső és belső heurisztikához használt adatstruktúrák: 1. Egy tömb készítése az egymást követő SAX szavakból. A szó hossza adott. Az utolsó oszlop a szó előfordulásának számát tartalmazza. 1.caa3 2.cab1 3.caa3 …………… …………… (m-n)-1cbb2 (m-n)acb1 (m-n)+1bca2

SAX – fa (trie) építése 2. Egy fa (trie) építése a szókészlet alapján. A fa levelein az adott szavak táblázatban elfoglalt helye található. A ritkán előforduló szavak ennek segítségével gyorsan megtalálhatók.

SAX algoritmus megvalósítása MATLAB-bal Gauss.m – ‘a’ bemeneti értékre kiszámolja az a-1 db breakpoint (ß) értékét Sax.m – a szimbólumok száma (=ß+1) és a keret méretének hossza alapján reprezentálja a kapott karaktersorozatot

Programfutás eredménye Szinuszgörbe -3*pi és 3*pi között, A=4 amplitúdóval

Felhasznált irodalom Riccardo Bellazzi, Fulvia Ferrazzi, Lucia Sacchi: Predictive data mining in clinical medicine: a focus on selected methods and applications. WIREs: Data Mining and Knowledge Discovery, Volume 1, September/October 2011, p Yuval Shahar: A framework for knowledge-based temporal abstraction. Artif Intell 1997, 90: Eamonn Keogh, Jessica Lin, Ada Fu: HOT SAX: Efficiently Finding the Most Unusual Time Series Subsequence. In proceedings of the 5th IEEE International Conference on Data Mining. Houston, TX. Nov 27-30, pp J. Lin, E. J. Keogh, L. Wei, and S. Lonardi. Experiencing SAX: a novel symbolic representation of time series. Data Min. Knowl. Discov., 15(2), 2007.