Problemas de series temporales

Similitudes

• Ambos implican una columna objetivo numérica.

• Ambos se utilizan comúnmente en casos de uso financieros que implican la previsión de ventas y monetaria.

Diferencias

• Los problemas de series temporales admiten objetivos agrupados, mientras que los problemas de regresión no (véase Componentes de un problema de series temporales). Los escenarios agrupados aún pueden abordarse para problemas de regresión entrenando múltiples modelos diferentes, a costa del aprendizaje global entre grupos.

• Los problemas de series temporales admiten escenarios en los que se conocen ciertas variables de características con antelación, por ejemplo, pronósticos relacionados con el clima, descuentos promocionales planificados y si las fechas caen en días laborables, fines de semana o festivos. Estas variables de características se conocen como Características futuras.

• Para los problemas de series temporales, los datos deben indexarse por fecha o fecha y hora en un intervalo de tiempo fijo. Además, se espera y se genera contenido de datos diferente durante el entrenamiento y las predicciones (consulte Preparar un conjunto de datos de entrenamiento y Preparar un conjunto de datos de aplicación).

• En los problemas de series temporales, los valores predichos corresponden explícitamente a fechas y horas específicas. En los problemas de regresión, los valores predichos pueden o no corresponder a fechas y horas específicas, pero si lo hacen, esta asociación está implícita en lugar de denotarse explícitamente en el resultado de salida.

• Se utilizan diferentes algoritmos (véase Entendimiento de los algoritmos del modelo).