Python 在SEGREAND中使用决策树对多元时间序列数据进行分类时的解释变量_Python_Scikit Learn_Time Series_Graphviz_Decision Tree

Python 在SEGREAND中使用决策树对多元时间序列数据进行分类时的解释变量

python scikit-learn graphviz

Python 在SEGREAND中使用决策树对多元时间序列数据进行分类时的解释变量,python,scikit-learn,time-series,graphviz,decision-tree,Python,Scikit Learn,Time Series,Graphviz,Decision Tree,我目前正在对多元时间序列数据进行分类。作为参考，我用DecisionTreeClassifier替换了RandomForestClassifier，它成功了。但是如果我使用export\u graphviz（）将其可视化，feature\u names参数意味着什么？既然是时间序列数据，它是否意味着时间序列数据的位置信息？然而，输入数据是（50375,18）三维数据。时间序列数据的长度为375，具有18个传感器的值。在本例中，使用了50个输入批次

我目前正在对多元时间序列数据进行分类。作为参考，我用DecisionTreeClassifier替换了RandomForestClassifier，它成功了。但是如果我使用export\u graphviz（）将其可视化，feature\u names参数意味着什么？

既然是时间序列数据，它是否意味着时间序列数据的位置信息？然而，输入数据是（50375,18）三维数据。时间序列数据的长度为375，具有18个传感器的值。在本例中，使用了50个输入批次