Відео

Hola!! Lo puedes encontrar en mi repositorio... Si pasas me regalas unas start... Si puedes comparte... Saludos!!!

Gracias!!!

Hola!! Se ha cambiado el nombre: github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%20100.%20Comparando%20Arima_lstm_Random_forest_prophet.ipynb si puedes comparte!!!

Gracias por comentar...!!! El dataset lo puedes encontrar aquí: github.com/narencastellon/Mi-Dataset Si puedes comparte el video... si pasas por GitHub... me dejas un start... Saludos

Gracias... Si puedes comparte... Saludos 💪

@@narencastellon si gracias lo compartiré mi tema de investigación

Wow que bien... Excelente!!!

Gracias... Saludos 💪

Hola ...!!! Gracias por el comentario... Si puedes compartir el video sería genial... Saludos 💪💪

Muchas gracias

En mi repositorio puedes encontrarlo... Si pasas por Github me regalas un start... Saludos 💪💪

@@narencastellon eres un crack, muchas gracias

Saludos... Si puede comparte . .!!

Muchas gracias... Si puede comparte... Saludos 💪

Hola...!!! Si está en mi repositorio... Si pasas me dejas start 💪... Si puedes comparte el vídeo... Saludos 💪💪

Talvez me podrias decir como solucionarlo

El modelo no está mal, si te dió 1, entonces los clasificó mal, error tipo II. Si hubiera sido que lo clasificó como 0 cuando en verdad era 1, entonces se tiene el error tipo I.

@@narencastellon Disculpa las molestias me puedes explicar, porque segun el dataset el primer paciencia el diagnostico es maligno entonces deberia haberme dado el 1, y tambien porque cambieblos datos y siempre me da 0 :( disculpa

Hay varias razones por las cuales un modelo de aprendizaje automático podría estar clasificando incorrectamente tus datos. Algunas posibles explicaciones: 1. Datos desbalanceados: Si tus datos de entrenamiento tienen una distribución desigual entre las clases (por ejemplo, muchas más instancias de la clase 0 que de la clase 1), el modelo puede verse sesgado hacia la clase mayoritaria y tener dificultades para predecir la clase minoritaria. 2. Problema de datos mal etiquetados: Es posible que haya errores en las etiquetas de los datos de entrenamiento, lo que puede llevar a que el modelo aprenda patrones incorrectos. 3. Características irrelevantes o insuficientes: Si las características que estás utilizando para entrenar el modelo no son relevantes para la tarea de clasificación, o si faltan características importantes, el modelo puede no ser capaz de aprender los patrones correctamente. 4. Modelo inadecuado: Es posible que el modelo de aprendizaje automático que estás utilizando no sea el más adecuado para tu conjunto de datos específicos. Algunos modelos son más adecuados para ciertos tipos de datos que otros. 5. Sobreajuste: El modelo puede haber aprendido demasiado de los datos de entrenamiento específicos y no generalizar bien a nuevos datos, lo que puede llevar a errores de clasificación. 6. Hiperparámetros incorrectamente ajustados: Los hiperparámetros de un modelo de aprendizaje automático, como la tasa de aprendizaje o la regularización, pueden influir en su capacidad para aprender los datos de manera efectiva. Ajustar incorrectamente estos hiperparámetros puede llevar a un rendimiento deficiente del modelo. Para abordar este problema, podrías intentar lo siguiente: - Revisar tus datos de entrenamiento para verificar la calidad de las etiquetas y la distribución de las clases. - Revisar las características utilizadas para entrenar el modelo y considerar si son las adecuadas. - Experimentar con diferentes modelos de aprendizaje automático y ajustar sus hiperparámetros. - Utilizar técnicas como la validación cruzada para evaluar el rendimiento del modelo de manera más robusta

Hola gracias por el comentario... Que tipo de modelo te gustaría... Son para modelo clásico de la familia arima, la series siempre deben ser estacionarias ... Si son modelos de Machine learning la serie no es necesario que sea estacionaria... Que modelo te interesa que se haga...?? Saludos... Y si puedes comparte 💪

Estoy viendo ultimamente que se hablan sobre los informers como transformers modificados adaptados para series de tiempo.Pero no veo ejemplos practicos aplicados como si hay en LSTM.nose si podras hacer uno con variables exogenas. trato de apoco de ver probabilidades en acciones y commodities en base a la relación del volumen que operan y algun dato mas como las tasas de interes , etc. Siempre comparto tus videos con gente que conozco y buscamos lo mismo.👍

Tú quieres un ejemplo sobre LSTM con variables exógenas!!! Es eso... O no se te he comprendido mal..!!?

@@narencastellon escribo un par de link como ejemplo de lo que me refiero , gracias por tu tiempo. ua-cam.com/play/PLTl9hO2Oobd8Ul2XpG9bwoTOvNY0EazbT.html&si=JGJUBFsa9Z2s_mTY ua-cam.com/video/09rfD2Du_xg/v-deo.htmlsi=rncuOa2B4Xyl71pD

@@eduardogold3925 ah okay.. si claro voy a preparar al con ese tema... 3 modelo muy parecido, el que me mencionas en el video 1. Autoformer model 2. FEDformer model 3. iTransformer model 4. Informer model 5 Vanilla Transformer model voy a preparar una data para el 4, que es el informe model, que es uno de los link que me has enviado... Creo que para la otra semana podría compartir el video...

Supongo que si se puede... Yo no lo he probado.., También puede hacerlo Streamlit o Dash... si te has fijado el en codigo de la aplicación son las mismo que se hizo en el cuaderno cuando se ha desarrollado el modelo... Saludos... Si puedes comparte!!!

@@narencastellon Gracias por tu respuesta :D

Saludos 💪

Lo puedes encontrar en mi repositorio... Si pasas me dejás start x fis... Saludos!!!

Gracias!!!

Hola...!!! Puede encontrarlo en mi repositorio... si pasas me dejas start... Saludos..!!!

Gracias ...Saludos!!!

Execellent... !!! Saludos

Hola un gusto Saludarte. 1. Para hacer forecasting 12 datos futuros, se trabaja con todos los datos del df, sin dividir los datos en entrenamiento y en prueba, y solo para modelos univariados. 2. En caso que sea multivariado, debes pronosticar cada variable exógenas que vas a incluir en la modelacion, luego con esos datos ya puede realizar el modelado general, en este caso podes usar un modelo para pronosticar cada variable exógenas, promedio móviles, lags etc etc lo que gustes!! 3. Por si no me sigues te dejo aca, www.linkedin.com/in/naren-castellon-1541b8101/

Gracias por comentar

Saludos!!! Gracias por el comentario Puedes encontrarlo en mi repositorio.... Si puedes comparte 💪💪

Gracias!!! Si puedes comparte!!! Saludos 💪💪

Gracias!!! Si puedes comparte 😍😍

Gracias!! Si puedes comparte

Gracias por el comentario!!! Si puedes compártelo!!!

@@narencastellon Claro que si

Gracias!! Si puedes comparte!!! Saludos 💪💪

@@narencastellon Lo puse en mi mastodon y twitter

Muchas gracias!!!

La prueba t de Student es una prueba estadística que se utiliza para comparar las medias de dos grupos independientes y determinar si existen diferencias significativas entre ellos. Sin embargo, en tu caso, mencionas que tienes una base de datos con múltiples variables evaluadas en 30 sujetos. Para aplicar la prueba t de Student a estas variables, necesitarás tener dos grupos distintos o condiciones que quieras comparar para cada variable..

@@narencastellon en este caso, aplica tener hombre/mujer como condición de dos grupos distintos? Gracias por responder ♥️

1. quitar el parametro rezagados, 2. agregarlos de forma manual como variables exógenas 3. Cree un dataframe nuevo con las fechas que desea pronosticar, puede usar la función data_range de pandas. 4. concatenar con tu regreso = pd.concat(df, df_nuevo 5. Crea un make_future_dataframe, y agregale el parámetro regresor_df el regresor 6. realizar el m.predict(df_future) 7. Funciona bien, yo ya lo hice 8. Saludos y comparte el vídeo.

Si tienes los datos de una nueva variable debes agregarlo a tus datos de entrenamiento o si lo vas usar con los datos de prueba o crear unos nuevos datos de prueba para evaluar o pronosticar con el modelo... Si puedes comparte... Saludos!!!

Entendido, muchas gracias 😘

🤗

Hola gracias por comentar... ya esta en mi repositorio ... si entras me dejas en star por fin... gracias.. si puedes comparte el video!!! Saludos

Gracias, saludos

Excelente pregunta... En este caso yo realice el forecasting con los datos de prueba.. si quieres hacer otros forecasting debería de tener esa información de las variables en otro DataFrame, y luego con eso datos realizar el forecasting... Saludos... Si puedes comparte!!! 💪💪

Gracias por comentar... Si claro, creo que puede ser mejor que LSTM... Neuralprophet puede agregarle variables exógenas y ademas de eso, puedes agregarle una cantidad de parámetros que capturan la estacionalidad ver(ua-cam.com/video/nZDbI6zSmjE/v-deo.html)... En estos tipo de series temporales no es necesario que la serie de tiempo sea estacionaria, seria suerte si la serie tal cual como venga lo es, pero tampoco es necesario hacerla estacionaria, por los modelo que se están usando, estos modelos no requieren que la serie lo sea, ademas trabajan con datos lineales y no lineales y que ademas no son estacionario, obviamente la estacionariedad puede ayudar a que la serie temporal el modelo aprenda mejor, pero no es un requisito como los modelos arima o autoregresivo que la serie deban de ser estacionaria... Saludos.. si puedes comparte!!!

@@narencastellon Voy a ver el video y compartir tus videos con la gente que conozco. 👍

@@EduardoMarck-jo6mt gracias.., saludos 💪

Gracias por el comentario... Ah qué te refieres con espacio tiempo?!!

Gracias!!! Si puedes compartelo!!! Saludos 💪

Puedes buscarlo en mi repositorio Saludos!! Comparte si puedes!!! 💪💪

Gracias... Saludos 💪

Si claro... en mi repositorio puede encontrarlo... Si puedes comparte el video... y si pasas por mi GitHub me colaboras un start por fis!!! Saludos github.com/narencastellon/Python

Puedes encontrar en este respositorio como instalar, y las variantes... si puedes comparte y github.com/jmoralez/window_ops

Lánzare una especialización en Forecasting, con clases en vivo, 100% prácticos con muchos casos de estudios!!! Ya pronto!!! Saludos... Si puedes comparte el vídeo!!!

@@narencastellon porfa quedo atento a esa especializacion

@@davidzamudio9971 Te dejo LinkedIn ; www.linkedin.com/in/naren-castellon-1541b8101/ por ahi estate pronto haciendo las publicaciones!!!.. Saludos

Aún no subo todo!!!

Trabajaste con todos los datos o lo has dividido? Que raro, porque el modelo no lleva nada aleatorio. Déjame revisar de nuevo... Tienes las versión 0.30 de sktime? Que versión tienes instalado?

@@narencastellon , los datos como tú hiciste el split y la versión de sktime es 0.29.1

@@narencastellon 0.29.1, los datos están segmentados como en tu video

@@narencastellon la segmentación es la misma y el versión es 0.29.1

@@narencastellon usé la version 0.29.1 y la actualicé a la 0.30, pero continuo con el mismo detalle. uso los datos tal cual se muestra en el video

Gracias Victor!! Si puedes comparte!! Saludos 💪💪

Bello 😍

El KAN no es un modelo de LSTM, (La red Kolmogorov-Arnold (KAN) es un tipo nuevo y prometedor de arquitectura de red neuronal que ofrece varias ventajas sobre los perceptrones multicapa (MLP) tradicionales.) pero se puede hacer las comparaciones, aun la función KAN se están haciendo mas pruebas para que pueda ser mas eficiente, rápida y con mejor precisión.

@@narencastellon te agradezco por la retroalimentación. Comentaba sobre lo de lstm porque hace un par de semanas subiste un video donde comparabas un tipo de lstm(si no mal recuerdo era un univariado - multistep) vs un modelo de facebook y otro estadístico, en la que concluiste que la lstm era la mejor opción.

Por lo que considero que sería interesante que se compare entre los tipos de lstm para conocer cual es la mejor opción, solo es una sugerencia. Saludos de Ecuador

@@jeanvillamar485jf Con cual otro lstm te gustaría que se comprara? yo solo conozco uno que es el que menciona, por eso te respondí la vez pasada con cual modelo? si te refieres al Modelo KAN, este modelo no tiene una estructura de LSTM... Saludos... si puedes comparte

@@narencastellon Claro, la LSTM podría tener múltiples valores de entrada y salida, es decir, un enfoque multivariado y multistep. Además, entiendo que con la librería Facebook Prophet se pueden utilizar otros valores de entrada, como los feriados. En conclusión, sería interesante observar cómo se comporta el modelo cuando se incluyen más valores de entrada.