Cross-Validation на временном ряду | OTUS
🔥 Начинаем BLACK FRIDAY!
Максимальная скидка -25% на всё. Успейте начать обучение по самой выгодной цене.
Выбрать курс

Курсы

Программирование
iOS Developer. Basic
-25%
Python Developer. Professional
-25%
Разработчик на Spring Framework
-25%
Golang Developer. Professional
-25%
Python Developer. Basic
-25%
iOS Developer. Professional
-25%
Highload Architect
-25%
JavaScript Developer. Basic
-25%
Kotlin Backend Developer
-25%
JavaScript Developer. Professional
-25%
Android Developer. Basic
-25%
Unity Game Developer. Basic
-25%
Разработчик C#
-25%
Программист С Web-разработчик на Python Алгоритмы и структуры данных Framework Laravel PostgreSQL Reverse-Engineering. Professional CI/CD Vue.js разработчик VOIP инженер Программист 1С Flutter Mobile Developer Супер - интенсив по Kubernetes Symfony Framework Advanced Fullstack JavaScript developer Супер-интенсив "Azure для разработчиков"
Инфраструктура
Мониторинг и логирование: Zabbix, Prometheus, ELK
-25%
DevOps практики и инструменты
-25%
Архитектор сетей
-25%
Инфраструктурная платформа на основе Kubernetes
-25%
Супер-интенсив «IaC Ansible»
-16%
Разработчик программных роботов (RPA) на базе UiPath и PIX
-25%
Administrator Linux. Professional MS SQL Server Developer Безопасность Linux PostgreSQL Reverse-Engineering. Professional CI/CD VOIP инженер Супер-практикум по работе с протоколом BGP Супер - интенсив по паттернам проектирования Супер - интенсив по Kubernetes Administrator Linux.Basic Супер-интенсив «ELK»
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02

Cross-Validation на временном ряду

DS_Deep_2.4_Site-5020-1a325c.png

Представьте, что мы построили модель для решения задачи по анализу временных рядов и хотим понять, хорошо ли она работает. Точнее, нам необходимо выбрать из некоторых моделей наилучшую. Сделать это поможет перекрёстная проверка на временном ряду, то есть Cross-Validation.

При выполнении кросс-валидации на временных рядах нужно понимать, что данные зависят друг от друга, то есть их последовательность важна. Если в обычных данных мы могли взять выборки произвольно (случайным образом) и сформировать из них Train-Test, то в случае временного ряда так делать уже нельзя.

Так как данные временного ряда при кросс-валидации нельзя перемешивать, используется «оконный подход». Лучше всего процесс демонстрирует следующая схема: DS3-20219-bf8c37.jpg Кросс-валидация применяется для вычисления качества модели таким образом, чтобы особенности данных не влияли на оценку. То есть оценка должна быть несмещённой. Что касается средней оценки, то она считается на подмножествах данных, что исключает получение слишком оптимистичных или слишком пессимистичных прогнозов.

Безусловно, это далеко не всё, что необходимо знать о способах анализа временных рядов. Получить более подробную информацию вы всегда сможете на курсе «Data Scientist» в OTUS.

Не пропустите новые полезные статьи!

Спасибо за подписку!

Мы отправили вам письмо для подтверждения вашего email.
С уважением, OTUS!

Автор
0 комментариев
Для комментирования необходимо авторизоваться
🎁 Максимальная скидка!
Черная пятница уже в OTUS! Скидка -25% на всё!