Falso Profeta Ingeniería de características para una regresión de series de tiempo casera (Parte 1 de 2)
Profeta Falso Ingeniería de Características para una Regresión de Series de Tiempo Casera (Parte 1 de 2)
Basándose en ideas del paquete Prophet de Meta para crear características poderosas para modelos de aprendizaje automático de series de tiempo
El paquete Prophet¹ de Meta es uno de los paquetes más utilizados para series de tiempo. Al menos de manera anecdotica, según mi opinión, después de revisar una lista de artículos sobre series de tiempo que he marcado para leer más tarde.
Dejando de lado el sarcasmo, he utilizado el paquete antes y me encanta.
Otro gran recurso para la modelización de series de tiempo es la charla de Vincent Warmerdam titulada “Ganando con modelos simples, incluso lineales”², donde se habla sobre la modelización de series de tiempo con modelos lineales (con un poco de preparación).
Ahora, hay algunos elementos de la ciencia de datos que difuminan los límites entre el arte y la ciencia, como la optimización de hiperparámetros o la definición de la estructura de una red neuronal.
- Limpieza + Preparación de Datos de los Lagos de Minnesota
- Introducción al Aprendizaje Automático Explorando sus muchas formas
- Disney empaqueta grandes emociones en un pequeño robot
Vamos a aprovechar el arte y hacer lo que muchos artistas han hecho: tomar ideas de otros. Así que, en esta serie de artículos, vamos a tomar ideas de ingeniería de características de Prophet y ideas de modelización lineal de Vincent para realizar nuestra propia regresión de series de tiempo con una serie de tiempo del mundo real.
El panorama general
Primero, vamos a hablar sobre cuál es el objetivo general antes de centrarnos en la ingeniería de características.
El objetivo principal es sencillo: generar el pronóstico más preciso de eventos futuros en un horizonte de tiempo especificado.
Comenzaremos desde cero con una serie de tiempo que solo contiene una variable de fecha y la cantidad de interés. A partir de esto, vamos a derivar información adicional que nos permitirá modelar con precisión los resultados futuros. Estas características adicionales estarán fuertemente “inspiradas” por Prophet.
Luego alimentaremos nuestros datos ingenierizados en un modelo ligero y permitiremos que aprenda cómo hacer los mejores pronósticos para el futuro. Más adelante, profundizaremos en el funcionamiento interno del modelo, ya que necesitaremos entender qué impulsa nuestros pronósticos.
Ahora que hemos visto el bosque, acerquémonos a los árboles, comenzando con un vistazo a nuestros datos.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- 7 Formas en que la IA y el Software de Automatización están Cambiando la Industria de la Cerveza
- A.I. Obama’ y presentadores de noticias falsas cómo el audio de IA está invadiendo TikTok
- Las gafas transcriben el habla en tiempo real
- Cómo utilicé mi primer #30DayChartChallenge para aprender Observable Plot
- ¿Podemos transformar texto en gráficos vectoriales científicos? Este artículo de IA presenta AutomaTikZ y explica el poder de TikZ
- Una buena descripción es todo lo que necesitas
- Ordenamiento topológico Un algoritmo fundamental para la gestión de dependencias