Вопрос или проблема
Я подумываю использовать пакет AutoTs в Python, чтобы автоматически найти лучшую модель для прогнозирования определенной переменной. В данном случае я рассматриваю многомерный временной ряд, но меня интересуют только прогнозы одной (или нескольких) из этих переменных, которые я называю целью (другие переменные используются как ковариаты для предсказания цели).
Когда вы обучаете модель, используете код, подобный следующему:
model = model.fit(df_wide, weights=weights_hourly)
Weights – это словарь, указывающий ненулевые веса для конкретных переменных, обозначая, насколько важны их прогнозы. Если переменная не указана, предполагается, что ее вес равен 1.
В моем случае я подумываю указать все нетаргетные ковариаты с весом 0, указывая, что меня их прогнозы совсем не интересуют.
Учитывая, что AutoTs может быть довольно ресурсоемким, я обеспокоен тем, что он все равно попытается создать модели для этих переменных с нулевым весом, но затем отбросит их в процессе валидации. Мне хотелось бы узнать, достаточно ли AutoTs умен или специально запрограммирован, чтобы вовсе не пытаться строить дополнительные модели для этих переменных (если только конкретная модель не может включать ковариат, если он также не имеет прогноза), учитывая, что это пустая трата вычислительных ресурсов?
.
Ответ или решение
Пакет AutoTS в языке программирования Python представляет собой инструмент для автоматизированного выбора модели временного ряда, который может работать с многовариативными временными рядами. Стратегия заключается в автоматическом тестировании различных моделей и параметров для нахождения наилучшей структуры предсказания данных. Вопрос, который здесь рассматривается, касается использования пакета AutoTS с учетом весов для различных переменных в данных и того, как эти веса влияют на процесс обучения модели.
Теория: AutoTS предназначен для автоматизации процесса выбора модели и оптимизации параметров для предсказания временных рядов. В сценарии, когда пользователь задает веса, AutoTS может изменять стратегию модели, учитывая их значимость. Вместо равномерного подхода пакет позволяет указать важность различных элементов данных, что может значительно улучшить качество предсказаний для целевых переменных.
Однако, возникает вопрос, как система обрабатывает переменные, получившие нулевой вес — пользуется ли она ими при обучении модели, или полностью исключает их из процесса. Теоретически, переменные с нулевым весом могут быть проигнорированы в процессах оценки значимости модели, то есть их влияние на результирующую модель минимизировано или полностью исключено.
Пример: В процессе работы с данными аналитики могут устанавливать веса для различных параметров, с учетом их значимости для задачи. Например, предположим, что у вас есть временной ряд с переменными, такими как "температура", "влажность", и "объём продаж". Ваш интерес заключается в предсказании "объёма продаж". Вы можете присвоить "температуре" и "влажности" нулевой вес, если не хотите, чтобы модель строила свои предсказания, основываясь на этих характеристиках.
В таком случае, логично предположить, что правильная работа системы не будет только уделять внимание тем переменным, которые получилинулевой вес, поскольку отсутствие их значимости для задачи делает их моделирование бессмысленным — они не должны потреблять ресурсы, не оказывая влияния на качество и точность конечной модели.
Применение: На практике AutoTS должен быть способен учитывать введенные пользователем параметры, управляющие весом переменных. Однако, как это точно работает позволит знать либо анализ исходного кода пакета, либо консультация с разработчиками. В теории, если AutoTS имеет функционал оптимизации профиля ресурсов, то он вероятно должен избежать обработки переменных с нулевым весом, если это возможно.
Тем не менее, следует учитывать, что определенные модели (особенно сложные, такие как нейронные сети) могут требовать наличия всех возможных переменных в sklearn. В таких случаях, даже если переменным присвоены нулевые веса, технические ограничения могут сделать их включение обязательным на этапе обучения модели данных, хотя и не влиять на конечный прогноз.
Рекомендуется проверить текущее состояние документации AutoTS или связаться с сообществом разработчиков, чтобы получить наиболее актуальную информацию о возможностях пакета. Это позволит понять, как именно обрабатываются переменные с нулевыми весами и какой оптимальный способ их исключения.
В итоге, если AutoTS действительно исключает переменные с нулевым весом из обучения, это позволит существенно сэкономить как вычислительные ресурсы, так и время, затрачиваемое на обучение моделей. Однако, для точного выяснения всех параметров работы стоит при необходимости обратиться к исходному коду и проконсультироваться с профессиональной поддержкой пакета.