在机器学习中使用小波变换的指南
我们可以使用傅立叶变换将信号从其时域转换到其频域。频谱中的峰值表示信号中出现频率最高的频率。峰值越大和越尖锐，则信号中的频率越普遍。然后可以将频谱中峰值的位置（频率值）和高度（幅度）用作分类器（例如，Random Forest或Gradient Boosting）的输入。
对于许多分类问题，这种简单的方法出奇地好。在该博客文章中，我们能够以约91％的准确性对人类活动识别数据集进行分类。
一般规则是，当频谱固定时，这种使用傅里叶变换的方法会很好地工作。即，信号中存在的频率与时间无关。如果信号包含一个x频率，则该频率应在信号的任何位置均等地出现。信号越不稳定/越动态，结果将越差。这太糟糕了，因为我们在现实生活中看到的大多数信号本质上都是非平稳的。无论我们是在谈论ECG信号，股票市场，设备还是传感器数据等，在我们处理动态系统时，现实生活中的问题都变得越来越有趣。分析动态信号的一种更好的方法是使用小波变换而不是傅立叶变换。 赫兹
尽管小波变换是用于分析时间序列和信号并对其进行分类的非常强大的工具，但不幸的是，它在数据科学领域还是未知的或不受欢迎的。这部分是因为在理解小波变换背后的数学之前，您应该具有一些先验知识（有关信号处理，傅立叶变换和数学）。但是，我认为这也是由于
1