Подход с усилением ансамбля для последовательного обучения временных рядов
Привет всем, как дела? как и раньше, сегодня я рад представить вам кое-что новое в области последовательного изучения данных, также известного как временные ряды.
Как вы уже видели, я перестал ходить вокруг да около по смыслу и определениям темы. Давайте сделаем эту тему короткой, простой и прямолинейной.
Есть новый новый подход к ускорению, чтобы заботиться о последовательном обучении, и он кажется довольно мощным.
Подход называется ThymeBoost.
Согласно документации
«ThymeBoost сочетает в себе декомпозицию временных рядов с повышением градиента, чтобы обеспечить гибкую структуру временных рядов смешивания и сопоставления для острого прогнозирования. На самом детальном уровне находятся модели тренда/уровня (в дальнейшем это просто называется «тренд»), сезонные модели и эндогенные модели. Они используются для аппроксимации соответствующих компонентов в каждом «ускоряющем раунде», а последующие раунды подбираются по остаткам обычным повышающим образом».
Основной поток алгоритма:
Для начала установите thymeboost, используя
pip install ThymeBoost
мы будем использовать знаменитый набор данных «AirPassenger.csv» для нескольких других алгоритмов временных рядов, чтобы сравнить производительность.
Давайте начнем.
Мы закончили загрузку и разделение набора данных на поезд и тест для целей оценки. Теперь давайте применим тимебуст
Сделанный!
#to extract the components predicted_output.predicted_seasonality predicted_output.predicted_trend
ThymeBoost также можно использовать для обнаружения аномалий временных рядов.
Вот он фрагмент кода.
#detect outliers boosted_model = tb.ThymeBoost() output = boosted_model.detect_outliers(al_train, trend_estimator='linear', seasonal_estimator='fourier', seasonal_period=25, global_cost='maicc', fit_type='global') boosted_model.plot_results(output) boosted_model.plot_components(output)
Если вы хотите узнать больше о вариантах использования ThymeBoost, вот официальная ссылка на репозиторий https://pypi.org/project/ThymeBoost/
вот оно! мы сделаем еще один шаг вперед, сравнив его с другими популярными алгоритмами временных рядов на рынке FbProphet и ARMIA.
Подведем итоги
# Creating a dictionary d = {'mae': [tb_mae,arima_mae,prophet_mae], 'rmse': [tb_rmse,arima_rmse,prophet_rmse], 'mape': [tb_mape,arima_mape,prophet_mape]} performance = pd.DataFrame(d,index=["ThymeBoost","Arima","Fbprophet"])
Мы ясно видим, что ThymeBoost является победителем по всем показателям оценки.
Надеюсь, статья вам понравилась и оказалась полезной?
Точно так же принесем вам лучшее из многих миров… наслаждайтесь!
Не стесняйтесь спрашивать, потому что любопытство ведет к совершенству
Некоторые из моих альтернативных сайтов в Интернете: Facebook, Instagram, Udemy, Blogger, Issuu и другие.
Также доступно на Quora @ https://www.quora.com/profile/Rupak-Bob-Roy
Следите за обновлениями.! хорошего дня….