Problemy szeregów czasowych

Podobieństwa

• Oba obejmują numeryczną kolumnę docelową.

• Oba są powszechnie stosowane w finansowych przypadkach użycia, obejmujących prognozowanie sprzedaży i wartości pieniężnych.

Różnice

• Problemy szeregów czasowych obsługują cele pogrupowane, natomiast problemy regresji nie (zob. Składniki problemu szeregów czasowych). Zgrupowane scenariusze nadal mogą być rozwiązywane w przypadku problemów regresji poprzez trenowanie wielu różnych modeli, kosztem globalnego uczenia się w grupach.

• Problemy szeregów czasowych obsługują scenariusze, w których znasz pewne zmienne cechy z wyprzedzeniem — na przykład prognozy związane z pogodą, planowane rabaty promocyjne oraz to, czy daty wypadają w dni powszednie, weekendy i święta. Te zmienne cechy są znane jako Cechy przyszłe.

• W przypadku problemów szeregów czasowych dane muszą być indeksowane według daty lub daty i godziny w ustalonym przedziale czasowym. Ponadto, podczas trenowania i przewidywania oczekuje się i generuje się różną zawartość danych (zob. Przygotowanie zestawu danych do uczenia i Przygotowywanie zestawu danych do zastosowania).

• W problemach szeregów czasowych przewidywane wartości jawnie odpowiadają konkretnym datom i godzinom. W problemach regresji przewidywane wartości mogą, ale nie muszą odpowiadać konkretnym datom i godzinom, ale jeśli tak jest, to powiązanie jest domyślne, a nie jawnie oznaczone w danych wyjściowych.

• Używane są różne algorytmy (zob. Omówienie algorytmów modeli).