Tidsserieproblem

Likheter

• Båda involverar en numerisk målkolumn.

• Båda används ofta i finansiella användningsfall som involverar försäljnings- och penningprognoser.

Skillnader

• Tidserieproblem stöder grupperade mål, medan regressionsproblem inte gör det (se Komponenter i ett tidsserieproblem). Grupperade scenarier kan fortfarande hanteras för regressionsproblem genom att träna flera olika modeller, på bekostnad av global inlärning över grupper.

• Tidsserieproblem stöder scenarier där du känner till vissa funktionsvariabler i förväg – till exempel väderrelaterade prognoser, planerade kampanjrabatter och om datum infaller på vardagar, helger och helgdagar. Dessa funktionsvariabler kallas Framtida funktioner.

• För tidsserieproblem måste data indexeras efter datum eller datum och tid med ett fast tidsintervall. Dessutom förväntas och genereras olika datainnehåll under träning och prognoser (se Förbereda en träningsdatauppsättning och Förbereder en tillämpad datauppsättning).

• I tidsserieproblem motsvarar prognostiserade värden uttryckligen specifika datum och tider. I regressionsproblem kan prognostiserade värden motsvara eller inte motsvara specifika datum och tider, men om de gör det är denna association underförstådd snarare än uttryckligen angiven i utdata.

• Olika algoritmer används (se Förstå modellalgoritmer).