В области анализа данных обнаружение аномалий играет жизненно важную роль в выявлении отклонений от того, что считается стандартным, нормальным или ожидаемым. Аномалии могут дать важную информацию о потенциальных проблемах, исключительных событиях или выбросах в показателях. В этой статье мы сосредоточимся на обнаружении аномалий одномерных временных рядов, которое включает анализ отдельных показателей во времени. Мы рассмотрим различные методы одномерного обнаружения аномалий, начиная..

Как узнать, является ли наша модель прогнозирования точной и надежной, и оценить ее эффективность на невидимых данных? Здесь на помощь приходит бэктестинг. Что такое тестирование на истории? Пример Python: пассажиры авиакомпании "Заключение" Что такое бэктестинг? Чтобы оценить эффективность модели прогнозирования, мы используем процедуру, называемую ретроспективным тестированием (также известную как перекрестная проверка временных рядов ). Тестирование на исторических..

Мощный генетический алгоритм для временных рядов Привет всем, добро пожаловать обратно в другую интересную тему генетического подхода к временным рядам/последовательным данным. Мы уже видели в нашем предыдущем обсуждении, как генетический подход работает для алгоритмов машинного обучения, предназначенных для более высокой точности пропускной способности, Вот ссылка на случай, если вы не сможете понять, о чем я говорю. AutoML с TPOT Подход к..

Штрафы L1 и переставленные оценки характеристик В прогнозном моделировании результаты хороши ровно настолько, насколько хороши входные данные, добавленные в модель. Во временных рядах основная проблема выбора входных данных модели заключается в том, как лучше всего представить историю ряда, чтобы предсказать его будущее. Мы можем разбить ряд на его основные компоненты: тренд, сезонность и остаток, но со сложными наборами данных это может быть трудно сделать точно правильно. Возьмем,..

Прогнозирование временных рядов с использованием Google Temporal Fusion Transformer LSTM-версии RNN с прогнозированием PyTorch и Torch Lightning В части 1 моего предыдущего блога объяснялось, как применять шаблон Неловко параллельно для ускорения прогнозирования, когда каждая модель обучается независимо, например, с традиционными алгоритмами прогнозирования ARIMA, Prophet и Neural Prophet. Данные, обучение и логические выводы движок Ray распределяет по локальным ядрам ноутбука...