Лекция 9. Прогнозирование на основе регрессионной модели
Вставка
- Опубліковано 15 сер 2018
- compscicenter.ru/
Прогнозирование на основе регрессионной модели с сезонными индикаторными (фиктивными, структурными) переменными. Тренд, сезонные составляющие, смена характера ряда, выбросы. Логарифмирование - прием для преобразования мультипликативной сезонности в аддитивную. Индикаторные переменные. Переобучение.
Случай нескольких сезонных составляющих.
Лекция №9 в курсе "Анализ данных на Python в примерах и задачах. Часть 1" (весна 2018).
Преподаватель курса: Вадим Леонардович Аббакумов
![[柴犬ASMR]曼玉Manyu&小白Bai 毛发护理Spa asmr](http://i.ytimg.com/vi/0TsXQ7z2Dh4/mqdefault.jpg)
Просто удивительно , почему так мало лайков.
Спасибо 💚 Идеальная подача сложного материала
Ужасно говорит и объясняет!
Вопрос когда сказали что убираем один из столбцом МАРТ из данных я понял, но куда его прибавляем?
Прям в таблице куда?
Не понял вопрос. Если Вы о базовом месяце, то в лекции это январь. Если о чем-то ином, то о чем?
Поправка (за март) будет включена в свободный член модели, и одновременно с этим исключена из всех сезонных поправок. Таким образом март выбирается для того, чтобы эта поправка была околонулевой, потому что она повлияет на абсолютные значения свободного члена и остальных поправок. Если не нужен "смысл" полученных коэффициентов, можно взять любой месяц в качестве базового.
Добрый день! Все лекции очень прекрасные и объяснены простыми словами!!!
У меня вопрос, как определить колленеарность данных???
Гуглите tolerance или Variance Inflation Factor (VIF). Это одно и тоже.
Мог ли быть такой вариант с решением проблемы сезонности: сезонность оставляем без изменений, но убираем свободный член в модели? Коллинеарность будет устранена, но за "ноль" нужно считать значение первой строки с данными, и учесть это потом в результате, прибавляя значение Y первой строки к каждому спрогнозируему результату.
Убирая свободный член мы резко меняем математическую модель. Привычные интерпретации перестают работать, нужно изучать регрессионный анализ чуть ли не заново. Проще перейти от абсолютных значений сезонных поправок к относительным
Подскажите, пожалуйста, как правильно подойти к решению задачи: у меня есть N услуг, для каждой есть временной ряд продаж. Чтобы правильно спрогнозировать будущие продажи этих услуг нужно для каждой отдельной услуги обучать собственную модель или можно обучить одну модель для всех услуг?
Иногда лучше работает первый вариант, иногда второй. Заранее не скажешь. Надо пробовать оба подхода и применять лучший.
@@Vadim_Abbakumov Можете ещё подсказать? Я не могу разобраться: у меня есть данные о количестве оказанных услуг агрегированные по месяцам, но по некоторым услугам в некоторые месяцы не было оказаний. Нужно ли мне при составлении временного ряда вносить нулевые значения чтобы сохранить регулярность периодов сбора данных или нужно разделить услуги на те, у которых продажи ежемесячны и на те, у которых есть нулевые продажи в некоторые месяцы?
@@enrewardronkhall8340 Гуглите. Предложены специальные модификации методов прогнозирования для временных рядов (например продаж), в которых много нулевых значений. Прямо сейчас названий не вспомню.
Всем добрый день! Уважаемые Вадим Леонидович, слушатели курса. Помогите пожалуйста скорректировать скрипт для Phyton 3.
По синтаксису я увидел только одно отличие: там, где print после ставится скобка. В остальном же все скрипты работают в Py 3
10:48 Мне кажется оговорка - "Если данные больше чем за 5 лет, то самые ранние данные у вас скорее всего устарели и должны быть исключены из анализа". Скорее всего речь идет о поздних данны?
Нет, не оговорка. Самые недавние данные наиболее информативные. Неправильно отбрасывать данные за прошлый год, но сохранять данные 10-летней давности.
А можно ссылочку на ноутбук ?
на сайте compscicenter.ru/
Вот как бы Вы в самом начале проговорили бы, что она просто по линейной регрессии рассчитывает среднее изменение каждого месяца по отдельности на перед, по множеству предыдущих месяцев с тем же номером, что январь вычисляется по предыдущим январям, февраль - по предыдущим февралям, так бы было понятнее... А то что то мифическое пихаем во что то галактическое... и фиг знает как это работает... Слишком много терминологии которая абсолютно абстрактно воспринимается..
Так рассуждают в модели сезонная декомпозиция, не в линейной регрессии. Если непонятно, то извините. Старался, не вышло...
@@Vadim_Abbakumov ок Спасибо. А как тогда будет работать регрессия, если туда категориальных признаков добавить? Я то думал она просто весь датасет разобьёт на классы и будет каждый по отдельности прогнозировать? Кстати а если просто get_dummies подойдёт, если по месяцам раскидать?