Prendere in prestito idee dal Profeta di Meta per costruire un potente modello di regressione delle serie temporali
In questo articolo successivo, continuo la mia missione di costruire il mostro delle serie temporali di Frankenstein combinando le idee del popolare pacchetto Prophet¹ e il discorso “Vincere con modelli semplici, anche lineari”².
Dopo aver ricordato a noi stessi cosa stiamo facendo, toccheremo il modello di regressione: cos’è e perché è speciale.
Passeremo quindi alla messa a punto degli iperparametri utilizzando la convalida incrociata delle serie temporali per ottenere una parametrizzazione del modello “ottimale”.
Infine, convalideremo il modello utilizzando SHAP prima di sfruttare il modulo del modello per consentire indagini su misura e aggiustamenti manuali.
C’è molta strada da percorrere: cominciamo.
A parte: abbiamo trattato la preparazione dei dati sottostanti e l’ingegneria delle funzionalità in un articolo precedente, quindi passiamo direttamente alla modellazione. Scopri cosa è successo lì:
Ricordiamoci cosa stiamo facendo.
L’obiettivo finale è semplice: generare la previsione più accurata degli eventi futuri in un orizzonte temporale specificato.
Siamo partiti da zero con una serie temporale contenente solo una variabile data e la quantità di interesse. Da ciò abbiamo derivato funzionalità aggiuntive che ci aiutano a modellare accuratamente i risultati futuri; questi erano fortemente “ispirati” dall’approccio del Profeta.
Questo ci porta dove siamo ora: quasi pronti a inserire i nostri dati ingegnerizzati in un modello leggero, addestrandolo a prevedere il futuro. Successivamente approfondiremo il funzionamento interno del modello.
Ricordiamoci come appaiono i dati prima di proseguire.
Stiamo utilizzando dati del mondo reale provenienti dal Regno Unito: in questo caso, il set di dati sugli incidenti stradali STATS19 che…
Fonte: towardsdatascience.com
