Problèmes de série temporelle

Similitudes

• Les deux impliquent une colonne cible numérique.

• Les deux sont couramment utilisés dans les cas d'utilisation financiers impliquant des projections commerciales et monétaires.

Différences

• Les problèmes de série temporelle supportent les cibles groupées, tandis que les problèmes de régression ne le font pas (consultez Composants d'un problème de série temporelle). Les scénarios groupés peuvent continuer à être traités pour les problèmes de régression en effectuant l'apprentissage de plusieurs modèles différents, au détriment de l'apprentissage global entre les groupes.

• Les problèmes de série temporelle supportent les scénarios dans lesquels vous connaissez certaines variables de caractéristiques à l'avance—par exemple, les prévisions météorologiques, les remises promotionnelles planifiées et si les dates tombent des jours de semaine, des week-ends et des jours fériés. Ces variables de caractéristiques sont connues sous le nom de Caractéristiques futures.

• Pour les problèmes de série temporelle, les données doivent être indexées par date ou par date et heure sur un intervalle de temps fixe. De plus, un contenu de données différent est attendu et généré lors de l'apprentissage et des prédictions (consultez Préparation d'un jeu de données d'apprentissage et Préparation d'un jeu de données à appliquer).

• Dans les problèmes de série temporelle, les valeurs prédites correspondent explicitement à des dates et des heures spécifiques. Dans les problèmes de régression, les valeurs prédites peuvent ou non correspondre à des dates et des heures spécifiques, mais, si c'est le cas, cette association est implicite au lieu d'être explicitement indiquée dans la sortie.

• Des algorithmes différents sont utilisés (consultez Familiarisation avec les algorithmes d'un modèle).