Расширенное прогнозирование временных рядов с помощью sktime
•sktime позволяет создавать и оптимизировать сложные модели прогнозирования временных рядов. •В предыдущей статье рассматривались основы прогнозирования с помощью sktime. •Добавление внешних переменных улучшает точность прогнозов. •Пример использования экзогенных данных для улучшения прогнозов. •Конвейеры позволяют создавать более сложные модели, чем одноэтапные процессы. •Пример использования GradientBoostingRegressor в рекурсивном подходе. •Навязывание тренда и расхождение в данных помогают улучшить качество моделей. •Пример использования Dettrender и Differencer для работы с трендами. •Вменение значений с помощью Imputer. •Добавление преобразований, таких как LogTransformer, в конвейер. •Использование ForecastingGridSearchCV для оптимизации гиперпараметров. •Пример настройки длины окна прогноза и скорости обучения. •Использование OptionalPassthrough для выбора между различными этапами. •Пример перестановки этапов с помощью Permute. •sktime предлагает гибкую структуру для создания и оптимизации сложных моделей прогнозирования временных рядов. •Возможность выполнять поиск по архитектуре модели делает sktime отличным выбором для сложных задач.
Этот пост подготовила нейросеть: сделала выжимку статьи и, возможно, даже перевела ее с английского. А бот опубликовал пост в Сетке.
