আমার সংস্থায় করা পূর্বাভাসের সহায়তা হিসাবে আমি একটি ইন্টারেক্টিভ পূর্বাভাস সরঞ্জাম তৈরি করছি (পাইথনে)। আজ অবধি পূর্বাভাস প্রক্রিয়াটি মূলত মানব চালিত হয়েছে, পূর্বাভাসকারীরা তাদের প্রাকৃতিক নিউরাল নেটওয়ার্কগুলিতে ডেটা একত্রিত করে এবং তাদের শিখে থাকা অন্ত্রকে ভবিষ্যদ্বাণী করতে অনুভব করে। একটি দীর্ঘমেয়াদী পূর্বাভাস যাচাইকরণ এবং ভবিষ্যদ্বাণীপূর্ণ মডেলিং অধ্যয়ন থেকে আমি করেছি আপনি যা আশা করতে পারেন তা পেয়েছি; বিভিন্ন পূর্বাভাসকারী বিভিন্ন পক্ষপাতিত্ব প্রদর্শন করে, কিছু ভবিষ্যদ্বাণীকারীদের প্রভাব অত্যধিক বিবেচিত হয় এবং অন্যান্য গুরুত্বপূর্ণ বিষয়গুলিকে উপেক্ষা করা হয় বলে মনে হয় এবং সাধারণভাবে পূর্বাভাসের পারফরম্যান্স তুলনামূলকভাবে সহজ অভিজ্ঞতা সম্পন্ন মডেলের তুলনায় মাঝারি i
পূর্বাভাসগুলি ম্যানুয়াল হিসাবে অবিরত থাকবে, তবে আমি পূর্বাভাসীদের ভবিষ্যতবাণীকারীদের আপেক্ষিক প্রভাবগুলির আরও ভাল পরিমাণে সরবরাহ করার জন্য একটি দরকারী সরঞ্জাম তৈরি করার চেষ্টা করছি। Effectsতু প্রভাবের মতো গুরুত্বপূর্ণ প্রভাবগুলিও রয়েছে যা প্রায়শই উপেক্ষা করা হয় যে আমি এই সরঞ্জামটি ব্যবহারকারীর কাছে হাইলাইট করতে চাই। মডেলিং প্রক্রিয়া সম্পর্কে আরও কিছু 'অভিজ্ঞ' পূর্বাভাসীর (যাদের অনেকেরই পরিসংখ্যান সম্পর্কে সামান্য জ্ঞান নেই) থেকে মডেলিং প্রক্রিয়া সম্পর্কে কিছুটা প্রতিক্রিয়া এবং সংশয় প্রকাশের প্রত্যাশা করছি, সুতরাং যোগাযোগটি কমপক্ষে গুরুত্বপূর্ণ হিসাবে গুরুত্বপূর্ণ এবং মডেলটির পারফরম্যান্স নিজেই শর্তে পূর্বাভাস নির্ভুলতায় একটি পরিমাপযোগ্য উন্নতি অর্জন করা।
আমি যে মডেলগুলি বিকাশ করছি তাদের একটি শক্তিশালী অটো-রিগ্রসিটিভ উপাদান রয়েছে যা সময়ে সময়ে ইভেন্টগুলির দ্বারা উল্লেখযোগ্যভাবে সংশোধন করা হয় যা কিছু ভবিষ্যদ্বাণীকারীগুলিতে পরিমাপিত মান হিসাবে দেখা যায় যা অ ইভেন্ট ইভেন্ট সময়ে শূন্যের কাছাকাছি থাকে। এটি পূর্বাভাসকারীরা ব্যবহার করে এমন মানসিক মডেলটির সাথে সম্মতি দেয়। মূল অংশটি কোনও অনুষ্ঠানের পূর্বাভাসের জন্য স্বয়ংক্রিয়-প্রতিরোধক মান থেকে ভবিষ্যদ্বাণীটি চালিত করতে 'ইভেন্ট' পরিমাপগুলির মধ্যে সবচেয়ে প্রভাবশালী তা প্রমাণ করতে সক্ষম হচ্ছে। আমি প্রক্রিয়াটি এইভাবে ইমেজিং করছি; পূর্বাভাসক তাদের সর্বোত্তম অনুমানের মান ভাগ করে দেয়, মডেলটি আলাদা আলাদা প্রস্তাব দেয় এবং পূর্বাভাসক কেন তা জিজ্ঞাসা করেন। মডেলটি এমন কিছু উত্তর দেয় যেমন "এখানে দেখুন, এই পূর্বাভাসকের এই মান গ্রীষ্মে পূর্বাভাসের মান বাড়িয়ে দেয় Winter শীতকালীন হলে এটি অন্য উপায়ে সরবে I আমি জানি এই অন্যান্য পরিমাপ আছে,
এখন, ধারণা করুন মডেলটি ছিল একটি সাধারণ লিনিয়ার রিগ্রেশন। মডেল সহ-দক্ষতার দ্বারা মানকে গুণিত করে এবং একটি সাধারণ বার চার্ট হিসাবে প্রদর্শন করে ইভেন্ট ভিত্তিক পূর্বাভাসীদের আপেক্ষিক 'প্রভাব' প্রদর্শন করার কথা কেউ ভাবতে পারেন। বিভিন্ন পূর্বাভাসকরের সমস্ত বারগুলি এআর মান থেকে সম্পূর্ণ বিচ্যুতি যুক্ত করে এবং এটি দৃc়ভাবে এবং স্পষ্টতই একটি দৃ shows় প্রভাব রয়েছে এমন উদাহরণগুলি দেখায়।
সমস্যাটি হ'ল প্রক্রিয়াটি পূর্বাভাসকারীদের মধ্যে উচ্চতর ডিগ্রিহীনতা প্রদর্শন করে বা কমপক্ষে, জিএলএমগুলির চেয়ে ব্ল্যাক-বাক্স নন-লিনিয়ার মেশিন লার্নিং অ্যালগরিদম (এলোমেলো বন এবং জিবিএম) নিয়ে আমার অনেক বেশি সাফল্য হয়েছে for এই ডেটা সেট। আদর্শভাবে আমি ব্যবহারকারীর অভিজ্ঞতা পরিবর্তন না করেই 'হুডের নীচে' কাজ করে যাওয়া মডেলটি নির্বিঘ্নে পরিবর্তন করতে সক্ষম হতে চাই, তাই কিছু অ্যালগরিদমের নির্দিষ্ট পদ্ধতির ব্যবহার না করেই আমার সাধারণ ফ্যাশনে বিভিন্ন পরিমাপের গুরুত্ব প্রদর্শনের কিছু সাধারণ উপায় প্রয়োজন। আমার বর্তমান পদ্ধতিটি হবে একটি ভবিষ্যদ্বাণীকারী ব্যতীত সমস্ত মানকে শূন্যে নির্ধারণ করে প্রভাবগুলির পরিমাণ-লিনিয়ারীকরণ করা, ভবিষ্যদ্বাণী করা বিচ্যুতি রেকর্ড করুন এবং তারপরে সমস্ত বর্ণনাকারীদের জন্য পুনরাবৃত্তি করুন, উপরে বর্ণিত বার চার্টে ফলাফলগুলি প্রদর্শন করুন। শক্তিশালী অ-লাইনারিটির উপস্থিতিতে, এটি এত ভাল কাজ করতে পারে না।