Basandosi sulle idee del pacchetto Prophet di Meta per creare potenti funzionalità per modelli di machine learning di serie temporali
Il pacchetto Prophet di Meta¹ è uno dei pacchetti più utilizzati per le serie temporali. Almeno aneddoticamente, secondo me, dopo aver esaminato un elenco di articoli di serie temporali che ho aggiunto ai segnalibri per una lettura successiva.
Sarcasmo a parte, ho già usato il pacchetto e lo adoro.
Un’altra grande risorsa per la modellazione di serie temporali è il discorso di Vincent Warmerdam intitolato “Vincere con modelli semplici, anche lineari”² in cui affronta la modellazione di serie temporali con modelli lineari (con un po’ di preparazione).
Ora, ci sono alcuni elementi della scienza dei dati che confondono i confini tra arte e scienza: si pensi alla sintonizzazione degli iperparametri o alla definizione della struttura di una rete neurale.
Ci appoggieremo all’arte e faremo quello che hanno fatto molti grandi artisti: prenderemo in prestito idee da altri. Quindi, in questa serie di articoli prenderemo in prestito idee di ingegneria delle caratteristiche da Prophet e idee di modellazione lineare da Vincent per eseguire la nostra regressione di serie temporali con una serie temporale del mondo reale.
Parliamo innanzitutto dell’obiettivo generale, prima di approfondire l’ingegneria delle funzionalità.
L’obiettivo generale è semplice: generare la previsione più accurata degli eventi futuri in un orizzonte temporale specificato.
Inizieremo da zero con una serie temporale contenente solo una variabile data e la quantità di interesse. Da ciò ricaveremo ulteriori informazioni che ci consentiranno di modellare accuratamente i risultati futuri. Queste funzionalità extra saranno fortemente “ispirate” da Prophet.
Successivamente inseriremo i nostri dati ingegnerizzati in un modello leggero e gli faremo imparare come prevedere al meglio il futuro. Successivamente, approfondiremo il funzionamento interno del modello: dopo tutto, dovremo capire cosa guida le nostre previsioni.
Ora che abbiamo visto la foresta, diamo un’occhiata più da vicino agli alberi, iniziando con uno sguardo ai nostri dati.
Fonte: towardsdatascience.com
