সেল সিগন্যাল ডেটা টাইম সিরিজের শিখর মূল্যায়ন


9

আমি সেল সংকেত পরিমাপের প্রতিক্রিয়াটির অস্তিত্বের জন্য পরিমাপ করছি। আমি যা করেছি তা হ'ল প্রথমে ডেটা টাইম সিরিজের একটি স্মুথিং অ্যালগরিদম (হ্যানিং) প্রয়োগ করুন, তারপরে শিখর সনাক্ত করুন detect আমি যা পাই তা হ'ল: সেল সিগন্যাল প্রতিক্রিয়া সময় সিরিজ

আমি যদি "হ্যাঁ আপনি অবিচ্ছিন্ন ড্রপ বাড়িয়ে দেখছেন" এর চেয়ে প্রতিক্রিয়া সনাক্তকরণটিকে কিছুটা আরও উদ্দেশ্যমূলক করে তুলতে চাই, তবে সর্বোত্তম পন্থাটি কী হবে? লিনিয়ার রিগ্রেশন দ্বারা নির্ধারিত একটি বেসলাইন থেকে শিখরের দূরত্ব কী পাওয়া যায়?

(আমি একটি অজগর কোডার এবং পরিসংখ্যান সম্পর্কে প্রায় কিছুই বুঝতে পারি না)

ধন্যবাদ


4
আমি মনে করি না যে সেখানে "সেরা পদ্ধতির" উপস্থিত রয়েছে। সময় সিরিজে বিশ্লেষণ বা প্রতিবেদন করার বিভিন্ন উপায় রয়েছে। আপনার প্রশ্নটি আপনার পরে কী হতে পারে তা বোঝার কোনও সূত্র দেয় না। ইঙ্গিত বা বেঞ্চমার্কের জন্য আপনি নিজের ক্ষেত্রে নিবন্ধগুলির সাথে পরামর্শ করতে পারেন।
ttnphns

আপনাকে কোন ক্লু দেওয়ার জন্য কোন তথ্য সরবরাহ করতে হবে তা আমি জানি না। মূলত আপনার একটি গ্রাফ রয়েছে যার নিম্নমুখী প্রবণতা রয়েছে (সময় বাড়ার সাথে সাথে আপনি কোনও সেল থেকে কম প্রতিক্রিয়া পান) এবং মাঝখানে কোথাও আপনি আউটপুট বৃদ্ধি দেখতে পাবেন। হ্যাঁ, ওটাই. আপনি কি মনে করেন যে বিষয়গতভাবে বলতে হবে যে আমার প্রতিক্রিয়াতে 10% বৃদ্ধি = আমি পরে কি?
Radek

1
ধরে নেওয়া যে আপনি কখনও কখনও প্রদর্শিত হিসাবে আচরণটি দেখেন, এবং কখনও কখনও কেবল অবিচ্ছিন্ন হ্রাস (প্রায়), আপনি যদি একটি বড় গ্রাফ 6-10 ছোট দ্বারা প্রতিস্থাপন করেন তবে এখানে একটি যুক্তিযুক্ত উত্তর পাওয়ার আরও অনেক ভাল সম্ভাবনা রয়েছে, যেখানে অর্ধেক রয়েছে এই বৃদ্ধি এবং অন্যান্য অর্ধেক না।
এভিবি

এটির একাধিক স্থানীয় সর্বাধিক (গাঁট) থাকতে পারে?
Emre

1
আপনি কেন আপনার ডেটা পোস্ট করবেন না এবং আমি এটিতে একটি ক্র্যাক নেব। আপনি এবং অন্যরা পরামর্শ দিয়েছে যে ফিল্টারিং এর পার্শ্ব প্রতিক্রিয়া রয়েছে। আপনি যদি এটি পরিচালনা করার কোনও উদ্দেশ্যমূলক উপায় চান তবে আমি আপনাকে কিছু পয়েন্টার দিতে সক্ষম হতে পারি। কিন্তু এটি সমস্ত অনুমান দিয়ে নয় ডেটা দিয়ে শুরু হয়!
আইরিশস্ট্যাট

উত্তর:


2

সুতরাং এটি আপনার 25 শে অক্টোবরের মতামতের মতো বলে মনে হচ্ছে যে আপনি দুটি মূল বৈশিষ্ট্য আলগোরিদিমভাবে সন্ধান এবং বৈশিষ্ট্যযুক্ত করতে আগ্রহী: প্রাথমিক প্রতিক্রিয়া ক্ষয় পরবর্তী ক্রম এবং পরবর্তী ক্ষয়গুলির একটি চক্র দ্বারা অনুসরণ করা ay আমি ধরে নিয়েছি যে ডেটাগুলি পৃথক সময়ের ব্যবধানে পর্যবেক্ষণ করা হয়।

এখানে আমি চেষ্টা করব:

  1. আপনার ডেটা দিয়ে একটি 4 র্থ ডিগ্রি বহুমুখী ফিট করার জন্য numpy.ma.poly Fit এর মতো একটি রুটিন ব্যবহার করুন । এটি বৃদ্ধির / ড্রপের পরে প্রাথমিক ড্রপের জন্য অ্যাকাউন্ট হওয়া উচিত, তবে অসংখ্য তবে ছোটখাটো ওঠানামা মসৃণ করে। আশা করি বহুমাত্রিক এই ডিগ্রি অন্যান্য, অনুরূপ সিরিজ ভাল মাপসই যথেষ্ট নমনীয় হবে। আমি মনে করি মূল লক্ষ্যটি হ'ল এমন কোনও ফাংশন পাওয়া যা আপনি যে প্রধান প্যাটার্নটির সন্ধান করছেন তার জন্য অ্যাকাউন্ট করে।
  2. বহুবর্ষীয় ফাংশনের ডেরাইভেটিভ ডেটাতে ফিট করার জন্য পাইথন রুটিনগুলি ব্যবহার করুন। উদাহরণস্বরূপ রুটিনগুলি হ'ল স্কিপি.মিসিক.ডিরিভেটিভ এবং নম্পি.ডিফ। আপনি সেই সময়ের মানগুলির সন্ধান করছেন যেখানে ১ ম ডেরিভেটিভটি শূন্য, একটি সম্ভাব্য স্থানীয় নূন্যতম বা ফাংশনের সর্বাধিক নির্দেশ করে। একটি দ্বিতীয় ডেরাইভেটিভ পরীক্ষাটি কোন পয়েন্টটি ন্যূনতম বা সর্বাধিকের সাথে মিলিত হয় তা নিশ্চিত করতে ব্যবহার করা যেতে পারে। আপনার প্রদর্শিত গ্রাফটি যদি প্রতিনিধিত্ব করে তবে সম্ভবত আপনার তিনটি পয়েন্ট থাকবে। নোট করুন যে ageষি প্রকল্পটি এখানে খুব মূল্যবান হতে পারে।
  3. এই মুহুর্তে আপনার সাথে সময় মূল্য যুক্ত হবে

    ক। প্রাথমিক ক্ষয়ের সূচনা

    খ। উত্সাহ শুরু

    গ। দ্বিতীয় ক্ষয় শুরু

তারপরে আপনি পরিবর্তনগুলি যাচাই করতে বিশ্লেষণাত্মকভাবে যা করতে চান তা করতে পারেন।

তথ্যটি নিজেরাই বলার জন্য সবচেয়ে ভাল হতে পারে: একাধিক সিরিজ জুড়ে, আপনি যখন এই পদ্ধতিটি প্রয়োগ করেন, উত্থাপনের সময়ে সাধারণ আকারের পরিবর্তনটি কীভাবে হয়, সাধারণত এটি ক্ষয়ের সময়কালে ঘটে থাকে এবং এটি কত দিন স্থায়ী হয়? এবং এই উত্থাপনের বিতরণটি কোথায়, কত বড় এবং কতদিনের দিক থেকে দেখতে হবে? এই পরিসংখ্যানগুলি জানার পরে, আপনি নির্দিষ্ট সময়ে উত্সাহকে সহনশীলতার মধ্যে হিসাবে চিহ্নিত করতে পারেন, সময়ের সাথে সাথে এটির আকার এবং সময়কাল কোথায় ঘটে to আমার বোঝার মূল বিষয়টি হ'ল সহজেই চিহ্নিত করা যায় যে এই পরিবর্তনগুলি কোথায় ঘটছে। আমি যা বর্ণনা করেছি তার বাকি অংশগুলি গণনা করার জন্য সরাসরি-এগিয়ে।


4
পলিনোমায়ালগুলি এই ডেটা দিয়ে কাজ করবে না আপনি যদি না ডিগ্রি এত বড় করেন যে তারা উদ্দীপনা শিখর প্রবর্তনের হুমকি দেয়।
হোবার

সম্ভবত আমার উত্তরটি পরিষ্কার করা উচিত যে তাকে এখনও হ্যানিং ফাংশনটি প্রয়োগ করতে হবে এবং তারপরে বহুবর্ষীয় ফিট করতে হবে। আরও মসৃণ ফাংশন পেতে হ্যানিং উইন্ডোটি পরিবর্তন করতে হতে পারে। বা আপনি কি বলছেন যে কম ডিগ্রি বহুত্বকটি স্মুটেড ডেটার জন্য কাজ করবে না?
জোশ হেম্যান

5
স্বল্প ডিগ্রির বহুবচন অবশ্যই কাজ করবে না, জোশ। আপনার একটি স্থানীয় মসৃণ প্রয়োজন - একটি কার্নেল মসৃণ বা কিছু ধরণের স্প্লাইনের কথা ভাবেন - এবং এটি বহুপুত্র হওয়া উচিত নয় , যার ভয়াবহ বৈশিষ্ট্য রয়েছে। (বহুবচনগুলি উপস্থাপনযোগ্য ডেটা সিরিজ হিসাবে অন্যথায় প্রদর্শিত হয়
এমনগুলির মধ্যে মজাদার

@ হুবুহর, যদিও আমি একমত যে বিশ্বব্যাপী একটি বহুবর্ষীয় ফিটিং করা একটি খারাপ ধারণা হতে পারে, তবে টেলরটির বিন্দু চারপাশে ফাংশনটির সম্প্রসারণ একটি নিম্ন ডিগ্রি বহিরাগত এবং এইভাবে স্থানীয় চতুর্ভুজ ফিটের সহগগুলি প্রথম ডেরাইভেটিভ অনুমানের সাথে মিলিত হওয়া উচিত। অতএব, স্থানীয় চতুষ্কোণ রিগ্রেশন কি সবচেয়ে সোজা-ফরোয়ার্ড হবে না, যদি "সেরা" না হয়, তাহলে কি যেতে হবে? f(x)=f(x0)+(xx0)f(x0)+(xx0)22!f(x0)+...
সমীর

3
এই বিষয়টি পরিষ্কার করার জন্য আপনাকে ধন্যবাদ, সমীর। আমি একমত যে একটি স্থানীয় নিম্ন-ডিগ্রি বহুত্বপূর্ণ ফিট কার্যকর হতে পারে এবং আমি আমার পূর্ববর্তী মন্তব্যে (যার অর্থ "বহুপদী" বিশ্বব্যাপী ফিট হিসাবে বোঝার উদ্দেশ্যে বোঝানো হয়েছিল) তার বিপরীতটি বোঝানো হয়নি । এটি "সেরা" কিনা তা সম্পর্কে, যদিও মূল প্রশ্নটি সম্পর্কে ttnphns এর একটি মন্তব্যে আমাকে একমত হতে হবে: এটি সমস্ত নির্ভর করে। আমি স্থানীয় চতুর্ভুজটি ঘনিষ্ঠ আনুমানিক গাউসিয়ান কর্নেল মসৃণ তথ্যের ঘন সিরিজের সাথে ফিট করে আশা করি, যা আমাদের একটি দৃষ্টিভঙ্গি দেয়। "সেরা" এর অন্য একটি ধারণাটি ক্রিগিংয়ের বিএলইউপি, যা স্প্লাইনের মতো হতে পারে।
হোবার

1

এখানে কিছু ধারণা রয়েছে তবে আমি আমার মাথাটি উপরে রেখেছি যা কেবলমাত্র কাজ করতে পারে ...

ডেরাইভেটিভস: আপনি যদি নিজের অ্যারে গ্রহণ করেন এবং একে অপরের থেকে উপাদানগুলিকে আরও কম পয়েন্টের অ্যারে পেতে বিয়োগ করেন তবে এটি প্রথম ডেরাইভেটিভ। আপনি যদি এখন এটি মসৃণ করেন এবং সাইন পরিবর্তনের জন্য সন্ধান করেন তবে এটি আপনার গাঁট সনাক্ত করতে পারে।

চলমান গড়: সম্ভবত 2 ল্যাগড (এক্সফোনশিয়াল বা উইন্ডোড) মুভিং এভারেজ ব্যবহার করে ছোটটিকে উপেক্ষা করার সময় বৃহত বাম প্রকাশ করতে পারে। মূলত, ছোট উইন্ডো মুভিং এভারেজের প্রস্থটি আপনি যে ধাপগুলি উপেক্ষা করতে চান তার প্রস্থের চেয়ে বেশি হওয়া আবশ্যক। বিস্তৃত EMA অবশ্যই বিস্তৃত হতে হবে তবে গলাপটি সনাক্ত করতে খুব প্রশস্ত নয়।

আপনি কখন ল্যাগটি অতিক্রম করবেন এবং বিয়োগ করবেন (উইন্ডো / 2) এবং আপনি কখন যে টুকরো টুকরো তা অনুমান করেন। http://www.stockopedia.com/content/trading-the-golden-cross-does-it-really-work-69694/

লিনিয়ার মডেল: পর্যাপ্ত প্রস্থের রৈখিক মডেলগুলির কয়েকটি ধারাবাহিক করুন যা বেশ কয়েকটি ছোট আকারের বিস্তৃত প্রশস্ত, 100 পয়েন্ট বলি। এখন এক্স ভেরিয়েবলের উপর লিনিয়ার রেগ্রেশন জেনারেট করে ডেটা সেট করে লুপ করুন। কেবল এক্স এর গুণাগুণটি দেখুন এবং দেখুন যেখানে বড় চিহ্নটির পরিবর্তন ঘটেছে। এটি একটি বড় ধাক্কা।

উপরেরটি হ'ল অনুমানটি আমার পক্ষে এবং সম্ভবত এটি করার আরও ভাল উপায় আছে।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.