ДалееСледующее руководство
Правильные соединения объектов на момент времени
Технический
Техническое РУКОВОДСТВО
Лаговые признаки превращают прогнозирование в обучение с учителем, сопоставляя прошлые наблюдения и другие известные на момент прогноза входные данные с будущей целевой переменной.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Правильное выравнивание временных меток, границы скользящего окна и проверка с учетом временного порядка необходимы для предотвращения утечки информации из будущего в обучающие признаки.
A tabular model can forecast a time series when each training row represents a forecast origin and its features contain information available at that origin. Lag features are shifted values such as y_(t-1), y_(t-7) or y_(t-24). They provide recent history and seasonal repeats as predictors for a future target y_t or y_(t+h). Rolling statistics summarize a window of past values, while calendar features encode known timing patterns. Alignment is the central risk. To forecast y_t at time t, features must not include y_t or later values. A seven-day rolling average must end at t-1 if the target is y_t. A common error is computing a rolling mean before shifting, which includes the target observation. Another is random train-test splitting, where future rows can train a model evaluated on earlier periods and where overlapping windows share near-identical information. Consider a hypothetical weekly-demand forecast. Features may include demand one week ago, four weeks ago, a trailing four-week mean, weekday and planned holiday indicator. Each value's availability should be traced: holiday calendars are known, while actual weather may not be known unless a weather forecast is used. A feature can be historically correlated yet unavailable at decision time. Use time-ordered validation such as rolling or expanding windows, with forecast horizons matched to use. A gap may be needed when labels arrive with delay or features span periods that overlap a test window. Fit scalers and imputers only within each training fold. For multi-step forecasting, decide whether to forecast recursively using prior predictions, predict each horizon directly, or use a strategy with future-known covariates. Evaluate against simple seasonal baselines and monitor how performance changes over time. Lag-feature learning provides flexible nonlinear prediction, but its reliability depends on disciplined information timing and the stability of the sequence process.
Для прогнозирования спроса в день t модель использует спрос в дни t-1 и t-7 в качестве лаговых признаков. Целевой переменной является спрос в день t, поэтому оба входных значения должны быть доступны до того, как будет сделан прогноз.
Скользящее среднее за семь дней для прогноза в день t должно использовать значения по день t-1 включительно. Включение фактического значения целевого дня приведет к утечке ответа в признак.
Календарные признаки, такие как день недели или месяц, могут быть известны заранее, в то время как фактические данные о погоде или рекламных акциях являются допустимыми входными данными только в том случае, если их прогноз или план был доступен на момент прогнозирования.
Команда оценивает прогнозы со скользящим началом и вводит разрыв, когда запаздывающие метки или перекрывающиеся окна могут позволить обучению включить информацию, слишком близкую к тестовому периоду.
Системы с лаговыми признаками можно улучшить, сохраняя каждую точку отсчета прогноза с тем снимком признаков, который был доступен в тот момент. Это позволяет проводить реалистичные бэктест-тесты и помогает исследовать утечку данных после неожиданного падения производительности. Командам следует отслеживать актуальность признаков, задержки в разметке и ошибки для конкретных горизонтов, а затем при необходимости сравнивать прямые и рекурсивные стратегии. Данные календаря и запланированных событий должны иметь собственные временные метки доступности. По мере появления новых ковариат проверяйте их вклад, используя только ту информацию, которая существовала исторически. Надежное прогнозирование зависит от своевременности данных и организации процесса в той же степени, что и от выбора модели.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Лаговые признаки превращают прогнозирование в задачу обучения с учителем, связывая прошлые наблюдения и другие известные на момент прогноза входы с будущим целевым значением. Правильное выравнивание временных меток, границы скользящих окон и хронологическая валидация важны для предотвращения утечки будущей информации в признаки для обучения.
Предыдущее наблюдение доступно до целевого момента времени, в то время как текущие целевые и будущие значения — нет.
Окно должно использовать только информацию, доступную до целевого момента, во избежание утечки данных.
Случайное разделение может нарушить хронологию, позволяя будущей информации влиять на тест за более ранний период.
Признак является допустимым, если его значение доступно на момент прогноза, например, известная дата в календаре.
Разрыв может снизить утечку из-за задержек меток или перекрывающихся окон около границы обучения и теста.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Правильные соединения объектов на момент времени
Технический