কেন সময় সিরিজের এই পূর্বাভাস "বেশ দরিদ্র"?

Question

আমি কীভাবে নিউরাল নেটওয়ার্ক ব্যবহার করব তা শিখার চেষ্টা করছি। আমি এই টিউটোরিয়াল পড়ছিলাম ।

একটি টাইম সিরিজ একটি নিউরাল নেটওয়ার্ক ঝুলানো মান ব্যবহার করার পর$t$ এ মানটি পূর্বাভাস দেওয়ার জন্য লেখক নীচের প্লটটি অর্জন করেন, যেখানে নীল রেখাটি সময় সিরিজ, সবুজই ট্রেনের ডেটাতে পূর্বাভাস, লাল পরীক্ষার ডেটা সম্পর্কে ভবিষ্যদ্বাণী (তিনি একটি পরীক্ষা-ট্রেনের বিভাজন ব্যবহার করেছিলেন)$t+1$

এবং এটিকে কল করে "আমরা দেখতে পাচ্ছি যে মডেলটি প্রশিক্ষণ এবং পরীক্ষা ডেটাসেট উভয়ই ফিট করার জন্য বেশ খারাপ কাজ করেছে It এটি মূলত আউটপুট হিসাবে একই ইনপুট মানটির পূর্বাভাস দেয়" "

তারপরে লেখক টি + 1 এ মানটির পূর্বাভাস দেওয়ার জন্য , টি - 1 এবং টি - 2 ব্যবহার করার সিদ্ধান্ত নেন । এমনটি করে$t$$t-1$$t-2$$t+1$

এবং বলে "গ্রাফটি দেখে আমরা ভবিষ্যদ্বাণীগুলিতে আরও কাঠামো দেখতে পাই।"

আমার প্রশ্ন

প্রথম "দরিদ্র" কেন? এটি আমার কাছে প্রায় নিখুঁত দেখাচ্ছে, এটি প্রতিটি একক পরিবর্তনের পুরোপুরি ভবিষ্যদ্বাণী করে!

এবং একইভাবে, দ্বিতীয়টি কেন ভাল? "কাঠামো" কোথায়? আমার কাছে এটি প্রথমটির চেয়ে অনেক দরিদ্র বলে মনে হচ্ছে।

সাধারণভাবে, সময় সিরিজের ভবিষ্যদ্বাণী কখন ভাল এবং কখন খারাপ হয়?

Comments

একটি সাধারণ মন্তব্য হিসাবে, বেশিরভাগ এমএল পদ্ধতি ক্রস-বিভাগীয় বিশ্লেষণের জন্য এবং সময় সিরিজের জন্য প্রয়োগ করার প্রয়োজন হয় ments মূল কারণটি হ'ল ডেটাতে স্বায়ত্তশাসন, যখন এমএল-তে প্রায়শই জনপ্রিয় পদ্ধতিগুলিতে ডেটা স্বাধীন হিসাবে ধরে নেওয়া হয়

— আকসাকাল

এটি প্রতিটি পরিবর্তনের পূর্বাভাস দেওয়ার দুর্দান্ত কাজ করে ... ঠিক এর পরে এটি ঘটে!

— hobbs

@ হোবস, আমি টি + 1 এর পূর্বাভাস দেওয়ার জন্য টি, টি -1, টি -2 ইত্যাদি ব্যবহার করার চেষ্টা করছি না। আমি ভাবছিলাম যে আপনি যদি জানেন যে অতীতে কতগুলি পদ ব্যবহার করা সবচেয়ে ভাল। আমরা যদি অনেক বেশি ব্যবহার করি তবে কি আমরা বেশি মানিয়ে যাচ্ছি?

— Euler_Salter

এটি অবশিষ্টাংশ প্লট করা আরও আলোকিত হতে পারে।

— কতোয়া

Answer 1

এটি এক ধরণের অপটিক্যাল মায়াজাল: চোখের গ্রাফের দিকে নজর দেয় এবং দেখতে পায় যে লাল এবং নীল গ্রাফগুলির প্রতিটি ঠিক পাশেই রয়েছে। সমস্যাটি হ'ল এগুলি একে অপরের পাশে অনুভূমিকভাবে ঠিক ঠিক রয়েছে তবে গুরুত্বপূর্ণ বিষয়গুলি উল্লম্বদূরত্ব। কার্টেসিয়ান গ্রাফের দ্বি-মাত্রিক স্থানে কার্ভগুলির মধ্যে দূরত্বটি চোখ সহজেই দেখতে পায় তবে কী গুরুত্বপূর্ণ তা কোনও নির্দিষ্ট টি মানের মধ্যে দ্বি-মাত্রিক দূরত্ব। উদাহরণস্বরূপ, ধরুন আমাদের পয়েন্ট এ 1 = (10,100), এ 2 = (10.1, 90), এ 3 = (9.8,85), পি 1 = (10.1,100.1), এবং পি 2 = (9.8, 88) রয়েছে। চোখটি স্বাভাবিকভাবেই P1 কে এ 1 এর সাথে তুলনা করতে চলেছে, কারণ এটি নিকটতম বিন্দু, যখন পি 2 এ 2 এর সাথে তুলনা করতে চলেছে। যেহেতু P1 A2 এর তুলনায় পি 1 এ 1 এর কাছাকাছি, পি 1 আরও ভাল পূর্বাভাসের মতো দেখতে যাচ্ছে। তবে আপনি যখন P1 কে এ 1 এর সাথে তুলনা করছেন, আপনি কেবল এ 1 এর আগে যা দেখেছে তার পুনরাবৃত্তি করতে সক্ষম হচ্ছেন এটি ঠিক কতটা ভাল তা দেখছেন; এ 1 এর সাথে সম্মতি সহ, পি 1 কোনও পূর্বাভাস নয়। যথাযথ তুলনা পি 1 বনাম এ 2 এবং পি 2 বনাম এ 3 এর মধ্যে এবং এই তুলনায় পি 2 পি 1 এর চেয়ে ভাল। এটি পরিষ্কার হয়ে যেত যদি y_actual এবং y_pred টির বিরুদ্ধে চক্রান্ত করা ছাড়াও t এর বিরুদ্ধে (y_pred-y_actual) গ্রাফ থাকলে।

Comments

এটি আরও ভাল উত্তর হিসাবে অন্যটি এমনকি "সুদর্শন" পূর্বাভাসটি কেন খুব খারাপ তা উল্লেখ করে না, যখন আপনি সেখানে দুর্দান্ত কাজ করেন!

— রিচার্ড হার্ডি

Answer 2

প্রথম "দরিদ্র" কেন? এটি আমার কাছে প্রায় নিখুঁত দেখাচ্ছে, এটি প্রতিটি একক পরিবর্তনের পুরোপুরি ভবিষ্যদ্বাণী করে!

এটি তথাকথিত "স্থানান্তরিত" পূর্বাভাস। আপনি যদি চার্ট 1 এ আরও ঘনিষ্ঠভাবে তাকান, আপনি দেখতে পাবেন যে ভবিষ্যদ্বাণী শক্তিটি কেবল সর্বশেষ দেখা মানটির অনুলিপি করে। এর অর্থ মডেল আরও ভাল কিছু শিখেনি, এবং এটি সময় সিরিজটিকে এলোমেলো হাঁটা হিসাবে গণ্য করে। আমি অনুমান করি যে সমস্যাটি আপনি স্নায়বিক নেটওয়ার্কে খাওয়ানো কাঁচা ডেটা ব্যবহার করার ক্ষেত্রে থাকতে পারে । এই ডেটাগুলি অ-স্থির, যা সমস্ত সমস্যার কারণ হয়।

Comments

পূর্বাভাস এই বলা হয় "সরল" পূর্বাভাস, অর্থাত গত একটি পূর্বাভাস হিসেবে পালন ব্যবহার

— Aksakal

ধন্যবাদ! @ আকসাল আপনি কি জানেন পূর্বানুমানের জন্য পূর্ববর্তী কতটি মান ব্যবহার করা উচিত?

— Euler_Salter

স্থিরত্ব উপর ফোকাস। এই সময়ের সিরিজের জন্য বেশ কয়েকটি স্থবির লেগ বেশ ভাল হওয়া উচিত। 100 টির চেয়ে বেশি ননস্টেশনারি ল্যাগ।

— অ্যালেক্সি বার্নাকভ

টাইম সিরিজে এসিএফ এবং পিএসিএফ-এর মাধ্যমে পিছিয়ে কাঠামো সম্পর্কে একটি ভাল অনুমান করার উপায় আছে, এই ফোরামটি দেখুন, এটি কীভাবে হয়েছিল তার অনেকগুলি পোস্ট ছিল

— আকাকাল

@ অ্যালেক্সা বারানাকভ এর অর্থ কি এর অর্থ কি এটি এটিকে স্থির করে তোলা উচিত?

— Euler_Salter