আমার প্রশ্নের ব্যাখ্যা থেকে, আপনি যে অন্তর্নিহিত প্রশ্নটি জিজ্ঞাসা করছেন তা হ'ল আপনি সময়কে একটি স্প্লাইন হিসাবে মডেল করতে পারবেন কিনা।
আমি যে প্রশ্নের প্রথম প্রশ্নের উত্তর দেওয়ার চেষ্টা করব তা হ'ল আপনি আপনার ডেটা এক্সট্রোপোলেটে স্প্লাইন ব্যবহার করতে পারেন কিনা। সংক্ষিপ্ত উত্তরটি এটি নির্ভর করে তবে বেশিরভাগ সময় স্প্লাইপগুলি বহির্মুখের জন্য দুর্দান্ত নয়। স্প্লিংগুলি মূলত একটি দ্বিখণ্ডিত পদ্ধতি, এগুলি আপনার ডেটা যে স্থানটিতে থাকে সেটিকে ভাগ করে দেয় এবং প্রতিটি বিভাগে এগুলি একটি সহজ রেজিস্ট্রার ফিট করে। সুতরাং চলুন MARS এর পদ্ধতিটি দেখুন। MARS পদ্ধতি হিসাবে সংজ্ঞায়িত করা হয়
চ ( এক্স ) = ঢ Σ আমি = 1 α আমি বি আমি ( এক্স [ আমি ] )
যেখানে α আমি MARS মডেল i'th শব্দটি এ ধ্রুবক,
চ^( এক্স ) = Σi = 1এনαআমিবিআমি( এক্স[ আমি ])
αআমি হ'ল মেথমে বেসগুলি ফাংশন, এবং
এক্স [ i ] আইথ শব্দটিতে আপনার বৈশিষ্ট্য ভেক্টর থেকে নির্বাচিত বৈশিষ্ট্য উপস্থাপন করে। ভিত্তি ফাংশন হয় একটি ধ্রুবক হতে পারে বা একটি কব্জা ফাংশন (সংশোধনকারী) হতে পারে। কবজা ফাংশন কেবল হয়
মি একটি এক্স ( 0 , এক্স [ আমি ] + + গ আমি )
কি কবজা ফাংশন বাহিনী মডেল একটি তৈরি করা
piecewiseফাংশন রৈখিক (এটা নোট আকর্ষণীয় যে একটি শায়েস্তা রৈখিক অ্যাক্টিভেশন কাজ করতে পারে সঙ্গে একটি স্নায়ুর নেটওয়ার্ক মার্স মডেলের সুপারসেট মডেল হিসাবে দেখা হবে)।
বিআমিএক্স[ আমি ]মি একটি এক্স ( 0 , এক্স)[ আমি ]+ গআমি)
আর
চ^( এক্স ) = 5 + + মি একটি এক্স ( 0 , এক্স - 5 ) + + 2 মি একটি এক্স ( 0 , এক্স - 10 )
10চ^( x ) = 10 + 2 ( x - 10 ) = 2 x - 10
5
এখন সময় সিরিজে ফিরে আসি। টাইম সিরিজটি মেশিন লার্নিংয়ে একটি বিশেষ বিশেষ কেস। তাদের কিছুটা কাঠামোর ঝোঁক থাকে, এটি আংশিক ইন-ভেরিয়েন্স হোক বা বিভিন্ন ধরণের বিভিন্ন কাঠামোর মধ্যে একটি হোক এবং এই কাঠামোটি কাজে লাগানো যেতে পারে। তবে বিশেষ অ্যালগরিদমগুলি প্রয়োজন যা এই কাঠামোটি কাজে লাগাতে সক্ষম হয়, দুর্ভাগ্যক্রমে স্প্লাইজগুলি এটি করে না।
কয়েকটি জিনিস রয়েছে যা আমি আপনাকে চেষ্টা করে দেখতে চাই। প্রথমটি হবে পুনরুদ্ধারকারী নেটওয়ার্কগুলি। যদি আপনার সময়ের সিরিজটি দীর্ঘ না হয় (এবং দীর্ঘমেয়াদী নির্ভরতা না থাকে) আপনার একটি সাধারণ ভ্যানিলা পুনরাবৃত্তি নেটওয়ার্ক ব্যবহার করে পালিয়ে যেতে সক্ষম হওয়া উচিত। যদি আপনি কী হতে চলেছে তা বুঝতে সক্ষম হতে চান, তবে আপনি অ্যাক্টিভেশন ফাংশন হিসাবে বায়াসগুলি সহ একটি সংশোধিত লিনিয়ার ইউনিট ব্যবহার করতে পারেন এবং এটি টাইমরিজগুলির উপসেট এবং মার্শাল "মেমরি" এর বার্ষিক স্নায়ুতোষের উপর মার্শ মডেলিংয়ের সমতুল্য হবে ঝুলিতে। নেট দ্বারা মেমরিটি কীভাবে পরিচালিত হয় তা ব্যাখ্যা করা শক্ত হবে, তবে উত্পন্ন স্পেসওয়্যারটি কীভাবে উত্পাদিত অংশবিশেষ রৈখিক কার্যের সাথে সম্মতি সহকারে উপ-স্থানটি পরিচালনা করা হচ্ছে তা আপনার কিছুটা ধারণা নেওয়া উচিত। এছাড়াও আপনার যদি স্থির বৈশিষ্ট্যগুলি টাইম সিরিজের সাথে অন্তর্ভুক্ত না থাকে তবে এগুলি নেট এ ব্যবহার করা অপেক্ষাকৃত সহজ is
আপনার কাছে থাকা টাইম সিরিজটি যদি দীর্ঘ হয় এবং দীর্ঘমেয়াদী নির্ভরতা থাকতে পারে তবে আমি জিআরইউ বা এলএসটিএম এর মতো কিছু গেটেড পুনরাবৃত্ত নেটওয়ার্কগুলির ব্যবহার করার পরামর্শ দিচ্ছি।
সময় সিরিজের শ্রেণিবিন্যাসের আরও ধ্রুপদী দিকে আপনি লুকানো মার্কভ মডেল ব্যবহার করতে পারেন। আমি আর এগুলিতে যাব না, কারণ আমি তাদের সাথে তেমন পরিচিত নই।
উপসংহারে, আমি দুটি কারণে স্প্লাইস ব্যবহার করার পরামর্শ দেব না। এক, এটি জটিল এক্সট্রাপোলেশন সমস্যাগুলি পরিচালনা করতে সক্ষম নয়, যা আপনি বর্ণনা করছেন এমন সমস্যা বলে মনে হচ্ছে। এবং দুটি, স্প্লাইজগুলি টাইম সিরিজের কাঠামোগত ব্যবহার করে না যা সময় সিরিজের শ্রেণিবিন্যাসে খুব শক্তিশালী হতে পারে।
আশাকরি এটা সাহায্য করবে.