পরবর্তী আপপরবর্তী গাইড
Point-in-Time Correct Feature Joins
টেকনিক্যাল
প্রযুক্তিগত গাইড
ল্যাগ বৈশিষ্ট্যগুলি ভবিষ্যত লক্ষ্যের সাথে অতীতের পর্যবেক্ষণ এবং পূর্বাভাস-সময়ের অন্যান্য পরিচিত ইনপুটগুলিকে যুক্ত করে পূর্বাভাসকে তত্ত্বাবধানে শিক্ষায় পরিণত করে।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~3 min
সঠিক টাইমস্ট্যাম্প সারিবদ্ধকরণ, ঘূর্ণায়মান-উইন্ডো সীমানা এবং টাইম-অর্ডারযুক্ত বৈধতা ভবিষ্যতের তথ্য প্রশিক্ষণের বৈশিষ্ট্যগুলিতে ফাঁস হওয়া প্রতিরোধ করার জন্য অপরিহার্য।
একটি টেবুলার মডেল একটি সময় সিরিজের পূর্বাভাস দিতে পারে যখন প্রতিটি প্রশিক্ষণ সারি একটি পূর্বাভাসের উত্স উপস্থাপন করে এবং এর বৈশিষ্ট্যগুলিতে সেই উত্সে উপলব্ধ তথ্য থাকে। ল্যাগ বৈশিষ্ট্যগুলি স্থানান্তরিত মান যেমন y_(t-1), y_(t-7) বা y_(t-24)। তারা ভবিষ্যতের লক্ষ্য y_t বা y_(t+h) এর জন্য ভবিষ্যদ্বাণী হিসাবে সাম্প্রতিক ইতিহাস এবং মৌসুমী পুনরাবৃত্তি প্রদান করে। রোলিং পরিসংখ্যান অতীতের মানগুলির একটি উইন্ডোকে সংক্ষিপ্ত করে, যখন ক্যালেন্ডার বৈশিষ্ট্যগুলি পরিচিত সময়ের নিদর্শনগুলিকে এনকোড করে৷ প্রান্তিককরণ কেন্দ্রীয় ঝুঁকি। t সময়ে y_t-এর পূর্বাভাস দিতে, বৈশিষ্ট্যগুলিতে y_t বা পরবর্তী মান অন্তর্ভুক্ত করা উচিত নয়। লক্ষ্য y_t হলে সাত দিনের ঘূর্ণায়মান গড় অবশ্যই t-1 এ শেষ হবে। একটি সাধারণ ত্রুটি হল স্থানান্তরের আগে একটি রোলিং গড় গণনা করা, যার মধ্যে লক্ষ্য পর্যবেক্ষণ অন্তর্ভুক্ত রয়েছে। আরেকটি হল র্যান্ডম ট্রেন-টেস্ট স্প্লিটিং, যেখানে ভবিষ্যত সারিগুলি পূর্ববর্তী সময়ের মূল্যায়ন করা একটি মডেলকে প্রশিক্ষণ দিতে পারে এবং যেখানে ওভারল্যাপিং উইন্ডোগুলি প্রায় অভিন্ন তথ্য ভাগ করে। একটি অনুমানমূলক সাপ্তাহিক-চাহিদার পূর্বাভাস বিবেচনা করুন। বৈশিষ্ট্যগুলির মধ্যে এক সপ্তাহ আগের চাহিদা, চার সপ্তাহ আগে, চার সপ্তাহের পিছনের গড়, সপ্তাহের দিন এবং পরিকল্পিত ছুটির সূচক অন্তর্ভুক্ত থাকতে পারে। প্রতিটি মানের প্রাপ্যতা চিহ্নিত করা উচিত: ছুটির ক্যালেন্ডারগুলি পরিচিত, যখন আবহাওয়ার পূর্বাভাস ব্যবহার না করা হলে প্রকৃত আবহাওয়া জানা যাবে না। একটি বৈশিষ্ট্য ঐতিহাসিকভাবে পারস্পরিক সম্পর্কযুক্ত হতে পারে তবে সিদ্ধান্তের সময় অনুপলব্ধ। ব্যবহার করার জন্য পূর্বাভাস দিগন্তের সাথে মিলে যাওয়া উইন্ডোজ রোলিং বা প্রসারিত করার মতো সময়-অনুযায়ী বৈধতা ব্যবহার করুন। লেবেলগুলি বিলম্বের সাথে পৌঁছালে বা পরীক্ষার উইন্ডোকে ওভারল্যাপ করার সময়কালের বৈশিষ্ট্যগুলিকে একটি ফাঁকের প্রয়োজন হতে পারে৷ শুধুমাত্র প্রতিটি প্রশিক্ষণ ভাঁজের মধ্যে স্কেলার এবং ইম্পুটার ফিট করুন। বহু-পদক্ষেপের পূর্বাভাসের জন্য, পূর্বের ভবিষ্যদ্বাণীগুলি ব্যবহার করে পুনরাবৃত্তিমূলকভাবে পূর্বাভাস দিতে হবে, প্রতিটি দিগন্তের সরাসরি ভবিষ্যদ্বাণী করতে হবে বা ভবিষ্যতের পরিচিত কোভেরিয়েটগুলির সাথে একটি কৌশল ব্যবহার করতে হবে কিনা তা স্থির করুন৷ সাধারণ ঋতু বেসলাইনের বিরুদ্ধে মূল্যায়ন করুন এবং সময়ের সাথে কর্মক্ষমতা কীভাবে পরিবর্তিত হয় তা নিরীক্ষণ করুন। ল্যাগ-ফিচার লার্নিং নমনীয় অরৈখিক ভবিষ্যদ্বাণী প্রদান করে, তবে এর নির্ভরযোগ্যতা সুশৃঙ্খল তথ্য সময় এবং ক্রম প্রক্রিয়ার স্থায়িত্বের উপর নির্ভর করে।
দিনের টি-তে চাহিদার পূর্বাভাস দিতে, একটি মডেল ল্যাগ বৈশিষ্ট্য হিসাবে t-1 এবং t-7 এ চাহিদা ব্যবহার করে। লক্ষ্য হল টি-এ চাহিদা, তাই পূর্বাভাস জারি করার আগে উভয় ইনপুট অবশ্যই উপলব্ধ থাকতে হবে।
t-এ একটি পূর্বাভাসের জন্য একটি ঘূর্ণায়মান সাত দিনের গড় টি-1 এর মাধ্যমে মান ব্যবহার করা উচিত। লক্ষ্য দিনের প্রকৃত মান সহ উত্তরটি বৈশিষ্ট্যটিতে ফাঁস হবে।
সপ্তাহের দিন বা মাসের মতো ক্যালেন্ডার বৈশিষ্ট্যগুলি আগে থেকেই জানা যেতে পারে, যখন উপলব্ধি করা আবহাওয়া বা প্রচারগুলি কেবলমাত্র বৈধ ইনপুট হয় যদি তাদের পূর্বাভাস বা পরিকল্পনা ভবিষ্যদ্বাণীর সময়ে উপলব্ধ থাকে।
একটি দল রোলিং-অরিজিন পূর্বাভাস মূল্যায়ন করে এবং একটি ফাঁক সন্নিবেশ করে যখন বিলম্বিত লেবেল বা ওভারল্যাপিং উইন্ডো অন্যথায় প্রশিক্ষণে পরীক্ষার সময়কালের খুব কাছাকাছি তথ্য অন্তর্ভুক্ত করতে পারে।
ল্যাগ-ফিচার সিস্টেমগুলি সেই সময়ে উপলব্ধ সঠিক বৈশিষ্ট্য স্ন্যাপশট সহ প্রতিটি পূর্বাভাসের উত্স সংরক্ষণ করে উন্নতি করতে পারে। এটি বাস্তবসম্মত ব্যাকটেস্ট সক্ষম করে এবং পারফরম্যান্স সারপ্রাইজের পরে ফাঁস তদন্তে সহায়তা করে। দলগুলিকে বৈশিষ্ট্যের সতেজতা, বিলম্বিত লেবেল এবং দিগন্ত-নির্দিষ্ট ত্রুটিগুলি পর্যবেক্ষণ করা উচিত, তারপরে যেখানে দরকারী সেখানে সরাসরি এবং পুনরাবৃত্তিমূলক কৌশলগুলির তুলনা করা উচিত। ক্যালেন্ডার এবং পরিকল্পিত-ইভেন্ট ডেটার নিজস্ব উপলব্ধতার টাইমস্ট্যাম্প প্রয়োজন। নতুন কোভেরিয়েটগুলি উপলব্ধ হওয়ার সাথে সাথে, শুধুমাত্র ঐতিহাসিকভাবে বিদ্যমান তথ্য ব্যবহার করে তাদের অবদানকে যাচাই করুন। মজবুত পূর্বাভাস মডেল পছন্দের মতো ডেটা টাইমিং এবং প্রক্রিয়া নকশার উপর নির্ভর করে।
ফ্রি নিউজলেটার
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
ল্যাগ বৈশিষ্ট্যগুলি ভবিষ্যত লক্ষ্যের সাথে অতীতের পর্যবেক্ষণ এবং পূর্বাভাস-সময়ের অন্যান্য পরিচিত ইনপুটগুলিকে যুক্ত করে পূর্বাভাসকে তত্ত্বাবধানে শিক্ষায় পরিণত করে। সঠিক টাইমস্ট্যাম্প সারিবদ্ধকরণ, ঘূর্ণায়মান-উইন্ডো সীমানা এবং টাইম-অর্ডারযুক্ত বৈধতা ভবিষ্যতের তথ্য প্রশিক্ষণের বৈশিষ্ট্যগুলিতে ফাঁস হওয়া প্রতিরোধ করার জন্য অপরিহার্য।
পূর্বের পর্যবেক্ষণ টার্গেট সময়ের আগে পাওয়া যায়, যখন সমসাময়িক লক্ষ্য এবং ভবিষ্যতের মান পাওয়া যায় না।
ফাঁস এড়াতে উইন্ডোটিকে লক্ষ্যমাত্রার আগে উপলব্ধ তথ্য ব্যবহার করতে হবে।
এলোমেলো বিভাজন কালানুক্রমকে বিপরীত করতে পারে, যা ভবিষ্যতের তথ্যকে পূর্ববর্তী সময়ের পরীক্ষাকে প্রভাবিত করতে দেয়।
একটি বৈশিষ্ট্য বৈধ যদি এর মান পূর্বাভাসের উত্সে পাওয়া যায়, যেমন একটি পরিচিত ক্যালেন্ডার তারিখ।
একটি ফাঁক লেবেল বিলম্ব বা ট্রেন-পরীক্ষার সীমানার কাছাকাছি ওভারল্যাপ হওয়া উইন্ডো থেকে ফুটো কমাতে পারে।
শিখতে থাকুন
এই বিষয়ের জন্য বাছাই করা আরও গাইড
পরবর্তী আপপরবর্তী গাইড
Point-in-Time Correct Feature Joins
টেকনিক্যাল