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….

~ Будьте счастливы и наслаждайтесь, говорите в ближайшее время.