DalšíDalší průvodce
Správné spojení funkcí v daném časovém bodě
Technický
Technický PRŮVODCE
Funkce zpoždění přeměňují prognózy na učení pod dohledem tím, že spárují minulá pozorování a další vstupy známé v čase předpovědi s budoucím cílem.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Správné zarovnání časových razítek, hranice posuvných oken a časově uspořádaná validace jsou zásadní pro zabránění úniku budoucích informací do funkcí školení.
Tabulkový model může předpovídat časovou řadu, když každý trénovací řádek představuje počátek prognózy a jeho funkce obsahují informace dostupné v tomto počátku. Funkce zpoždění jsou posunuté hodnoty jako y_(t-1), y_(t-7) nebo y_(t-24). Poskytují nedávnou historii a sezónní opakování jako prediktor pro budoucí cíl y_t nebo y_(t+h). Pohyblivé statistiky shrnují okno minulých hodnot, zatímco funkce kalendáře kódují známé časové vzorce. Ústředním rizikem je sladění. Aby bylo možné předpovědět y_t v čase t, prvky nesmí obsahovat hodnoty y_t nebo pozdější. Sedmidenní klouzavý průměr musí končit na t-1, pokud je cílem y_t. Častou chybou je výpočet klouzavého průměru před posunutím, který zahrnuje pozorování cíle. Dalším je rozdělení náhodného vlakového testu, kdy budoucí řádky mohou trénovat model hodnocený v dřívějších obdobích a kde překrývající se okna sdílejí téměř identické informace. Zvažte hypotetickou týdenní předpověď poptávky. Funkce mohou zahrnovat poptávku před týdnem, před čtyřmi týdny, průměr za poslední čtyři týdny, ukazatel dne v týdnu a plánované dovolené. Dostupnost každé hodnoty by měla být sledována: kalendáře svátků jsou známy, zatímco skutečné počasí nemusí být známo, pokud není použita předpověď počasí. Funkce může být historicky korelována, ale v době rozhodování nedostupná. Použijte časově uspořádanou validaci, jako je rolování nebo rozšiřování oken, s horizonty prognózy přizpůsobenými použití. Mezera může být zapotřebí, když štítky dorazí se zpožděním nebo funkce překrývají období, která překrývají testovací okno. Nasaďte scalery a imputery pouze do každého tréninkového záhybu. Pro vícekrokové předpovědi se rozhodněte, zda budete předpovídat rekurzivně pomocí předchozích předpovědí, předpovídat každý horizont přímo nebo použít strategii s budoucími známými kovariáty. Vyhodnoťte podle jednoduchých sezónních výchozích hodnot a sledujte, jak se výkon v průběhu času mění. Učení funkcí zpoždění poskytuje flexibilní nelineární predikci, ale jeho spolehlivost závisí na disciplinovaném načasování informací a stabilitě sekvenčního procesu.
K predikci poptávky v den t model používá poptávku v t-1 a t-7 jako vlastnosti zpoždění. Cílem je poptávka při t, takže oba vstupy musí být k dispozici před vydáním této prognózy.
Klouzavý sedmidenní průměr pro předpověď v t by měl používat hodnoty až t-1. Zahrnutím skutečné hodnoty cílového dne by se odpověď dostala do funkce.
Funkce kalendáře, jako je den v týdnu nebo měsíc, mohou být známy předem, zatímco realizované počasí nebo propagační akce jsou platnými vstupy pouze v případě, že jejich předpověď nebo plán byly v čase předpovědi k dispozici.
Tým vyhodnotí prognózy průběžného původu a vloží mezeru, pokud by zpožděné štítky nebo překrývající se okna jinak umožnily, aby školení zahrnovalo informace příliš blízko testovacímu období.
Systémy funkcí prodlevy se mohou zlepšit uložením každého původu prognózy s přesným snímkem funkce dostupným v danou chvíli. To umožňuje realistické zpětné testy a pomáhá prozkoumat úniky po výkonnostním překvapení. Týmy by měly monitorovat aktuálnost funkcí, zpožděné popisky a chyby specifické pro horizont a poté, kde je to užitečné, porovnávat přímé a rekurzivní strategie. Data kalendáře a plánovaných událostí potřebují svá vlastní časová razítka dostupnosti. Jakmile budou k dispozici nové kovariáty, ověřte jejich příspěvek pouze pomocí informací, které by existovaly historicky. Robustní prognózování závisí jak na načasování dat a návrhu procesu, tak na volbě modelu.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Funkce zpoždění přeměňují prognózy na učení pod dohledem tím, že spárují minulá pozorování a další vstupy známé v čase předpovědi s budoucím cílem. Správné zarovnání časových razítek, hranice posuvných oken a časově uspořádaná validace jsou zásadní pro zabránění úniku budoucích informací do funkcí školení.
Předchozí pozorování je k dispozici před cílovým časem, zatímco současné cílové a budoucí hodnoty nikoli.
Okno musí používat pouze informace dostupné před cílem, aby se zabránilo úniku.
Náhodné rozdělení může obrátit chronologii a umožnit budoucím informacím ovlivnit test v dřívějším období.
Funkce je platná, pokud je její hodnota dostupná na počátku prognózy, jako je například známé datum kalendáře.
Mezera může snížit únik ze zpoždění štítků nebo oken, která se překrývají poblíž hranice testu vlaku.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Správné spojení funkcí v daném časovém bodě
Technický