Публикации по теме 'time-series-analysis'
Boruta SHAP для выбора временных признаков
Как алгоритмы выбора признаков реагируют на дрейф данных
Все знают о важности процедур выбора функций в конвейере машинного обучения. Они помогают повысить производительность при одновременном снижении размерности входных данных в соответствии с нашей контролируемой задачей.
В прошлом мы сталкивались с проблемами оптимального выбора признаков, предлагая увлекательные и передовые методы фильтрации только релевантных предикторов. Мы обнаружили важность использования SHAP для выбора..
Как запустить модель прогнозирования индекса фондового рынка для индекса S&P 500 на UbiOps
Расходы финансовых учреждений во всем мире на ИТ неуклонно растут, и ожидается, что к 2025 году они превысят 750 миллиардов долларов . Отчасти это связано со значительным увеличением разработки и развертывания систем ИИ. Системы на базе ИИ могут обрабатывать большие объемы данных очень быстро и в больших масштабах. Вот лишь некоторые примеры применения ИИ в финансах:
Прогнозы финансовых рынков (включая использование альтернативных наборов данных) Выявление и предотвращение..
Учим LightGBM считать до 10
Как трудно это может быть?
LightGBM — это надежный алгоритм машинного обучения. Но умеет ли он считать до 10?
LightGBM, пожалуй, лучший алгоритм для табличных данных. Это умный метод, лежащий в основе многих решений-победителей в соревнованиях по машинному обучению. LightGBM также предоставляет данные временных рядов. Победитель последней итерации М соревнований по прогнозированию (M5) использовал LightGBM в качестве алгоритма обучения.
Поигравшись с ним, я решил..
Прогнозирование PM2.5 с использованием API временных рядов AutoAI с дополнительными функциями
AutoAI в IBM Cloud Pak for Data as a Service недавно представил новую функцию для данных временных рядов — вспомогательные функции, также известные как экзогенные функции. Теперь вы можете использовать вспомогательные функции, чтобы предоставить контекст для прогноза. Например, если вы прогнозируете доход от продаж с течением времени, вы можете включить скидки и рекламные акции в качестве вспомогательных функций, чтобы сделать прогнозы более точными.
Позвольте мне продемонстрировать, как..
Прогнозирование временных рядов: метрики ошибок для оценки производительности модели
Введение
В Gnarum мы делаем прогнозы производства энергии на возобновляемых источниках энергии с различной мощностью и технологиями. Наша цель — разработать модели прогнозирования, которые уменьшат штрафы, вызванные отклонениями.
Какой показатель лучше всего подходит для оценки моей модели?
К сожалению, не существует абсолютно «правильной» метрики точности. Выбор правильной метрики зависит от конкретной проблемы и включает в себя ответы на такие вопросы, как:
На каком решении..
От данных к знаниям: путь ROCKET в анализе временных рядов
Введение в алгоритмы на основе ядра
В области анализа временных рядов понимание закономерностей, скрытых в данных, похоже на расшифровку загадочного сообщения. Но не бойтесь, потому что алгоритмы на основе ядра помогут вам раскрыть эти секреты. В этой статье мы отправимся в путь, чтобы развеять тайну этих мощных алгоритмов и предоставить вам практические идеи, которые помогут использовать их потенциал в ваших усилиях по науке о данных.
Итак, что же такое алгоритмы на основе ядра? По..
Модели анализа временных рядов ARMA, ARIMA и SARIMA — Введение
Как использовать эти модели и различия между ними
Временной ряд: что это такое?
Компонент времени играет решающую роль в прогнозах модели, когда речь идет о временных рядах в машинном обучении. В обычных моделях машинного обучения предполагается, что наблюдения независимы друг от друга, но это предположение нарушается, когда наблюдения зависят от соседних наблюдений. Прогнозирование будущих числовых значений является распространенным применением анализа временных рядов, например цен на..
