Nano Hash - криптовалюты, майнинг, программирование

Временное разделение поезд-тест для прогнозирования

Я знаю, что это может быть основной вопрос, но я хочу знать, использую ли я поезд, правильно ли тестирую разделение.

Скажем, у меня есть данные, которые заканчиваются в 2019 году, и я хочу предсказать значения на следующие 5 лет.

График, который я создал, представлен ниже: введите здесь описание изображения

Мои тренировочные данные начинаются с 1996-2014 годов, а мои тестовые данные начинаются с 2014-2019 годов. Тестовые данные идеально соответствуют тренировочным данным. Затем я использовал эти тестовые данные, чтобы сделать прогнозы на 2019–2024 годы.

Это правильный способ сделать это, или мои прогнозы также должны быть с 2014 по 2019 год, как и тестовые данные?

machine-learning time-series
11.06.2020

Ответы:


1

Данные тестирования/проверки полезны для оценки используемого предиктора. После того, как вы решили, какую модель использовать, вы должны обучить модель со всем набором данных за 1996–2019 годы, чтобы не потерять возможные ценные знания за 2014–2019 годы. Учтите, что при работе с временными рядами обычно более новая часть ряда имеет большее значение для вашего прогноза, чем более старые значения ряда.

11.06.2020
  • Но это может привести к переоснащению модели 11.06.2020
  • Не должно, если вы выбрали правильную модель и параметры. Вы должны использовать данные обучения/тестирования для уточнения и настройки модели, чтобы она получила наилучшую производительность без переобучения. Я не знаю, какой метод машинного обучения вы используете, но, например, если у вас есть RNN, вы пробуете разные параметры обучения, вы видите, что с 50 эпохами вы получаете хорошие результаты, но со 100 эпохами начинается переобучение, вы должны примите во внимание эти знания при обучении вашей окончательной модели. Мы предполагаем, что он будет иметь аналогичное поведение 11.06.2020
    • Новые материалы
    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..