AIC وAICc وBIC
معايير معلومات توازن بين جودة التوفيق وعدد المعاملات. الأصغر أفضل. AICc يصحح للعينات الصغيرة، وتستخدمه Auto ARIMA وETS في المختبر. لا تقارن AIC بين نماذج بدرجات تفاضل مختلفة.
الدرس: نماذج ARIMA ومنهجية Box-Jenkinsالمصطلح بالعربية والإنجليزية مع تعريف مختصر ورابط إلى الدرس المرتبط.
معايير معلومات توازن بين جودة التوفيق وعدد المعاملات. الأصغر أفضل. AICc يصحح للعينات الصغيرة، وتستخدمه Auto ARIMA وETS في المختبر. لا تقارن AIC بين نماذج بدرجات تفاضل مختلفة.
الدرس: نماذج ARIMA ومنهجية Box-Jenkinsمتوسط |y − ŷ| بوحدة البيانات، سهل التفسير ومقاوم نسبياً للأخطاء الكبيرة.
الدرس: مقاييس تقييم التنبؤنسبة مئوية. غير معرّف عند y=0؛ المختبر يتجاهل هذه النقاط ويذكر عددها، وإذا كانت كل القيم صفرية لا يعرض MAPE.
الدرس: مقاييس تقييم التنبؤMAE مقسوماً على متوسط خطأ Seasonal Naive داخل التدريب. أقل من 1 = أفضل من خط الأساس. مقياس مستقل عن الوحدة.
الدرس: مقاييس تقييم التنبؤمتوسط مربعات الأخطاء بوحدة مربعة. يستخدم دالة خسارة في تدريب الشبكات.
الدرس: مقاييس تقييم التنبؤالجذر التربيعي لمتوسط مربعات الأخطاء. يعاقب الأخطاء الكبيرة، ويساوي MAE فقط إذا تساوت الأخطاء.
الدرس: مقاييس تقييم التنبؤنسبة التباين المفسر في الاختبار. قد يكون سالباً، ومضلل في السلاسل ذات الاتجاه لأن المتوسط مرجع ضعيف.
الدرس: مقاييس تقييم التنبؤنسخة «متماثلة» من MAPE تقسم على متوسط |y| و|ŷ|، محدودة بين 0 و200%، لكنها ليست متماثلة تماماً.
الدرس: مقاييس تقييم التنبؤعدد الخطوات المستقبلية h المطلوب التنبؤ بها. كلما زاد الأفق زاد عدم اليقين.
الدرس: فترات التنبؤ وتشخيص البواقيفي الأشجار: مجموع تحسن الخسارة الذي تحققه كل خاصية. يعرضها المختبر للغابة العشوائية وGradient Boosting وXGBoost.
الدرس: التعلم الآلي للسلاسل الزمنيةتغيير التردد بتجميع القيم (متوسط، مجموع، أدنى، أعلى، آخر)، مثل الساعي إلى يومي أو اليومي إلى شهري.
الدرس: تنظيف البيانات: القيم المفقودة والشاذة والانتظام الزمنيH0: السلسلة مستقرة حول مستوى (أو اتجاه). p<0.05 تعني عدم الاستقرار. قيمة p محصورة بين 0.01 و0.1 لأنها تستوفى من جدول.
الدرس: الاستقرارية واختبارا ADF وKPSSيختبر انعدام الارتباط الذاتي في التأخيرات الأولى معاً. يطبق على البواقي: p>0.05 جيد.
الدرس: الارتباط الذاتي ACF والجزئي PACFاختبار لامعلمي لوجود اتجاه رتيب. ميل Sen وسيط الميول بين كل زوجين من النقاط، وهو مقاوم للقيم الشاذة. يعرض المختبر النتيجة في وحدة التحليل.
الدرس: مكونات السلسلة: الاتجاه والموسمية والدورة والضوضاءH0: جذر وحدة (غير مستقرة). p<0.05 تعني رفض H0. يعرض المختبر الإحصاءة وقيمة p والقيم الحرجة 1% و5% و10% وعدد التأخيرات المختار بـ AIC، بمعاملات MacKinnon كما في statsmodels.
الدرس: الاستقرارية واختبارا ADF وKPSSنموذج يحفظ التدريب ويفشل في الاختبار. علاماته: خطأ تدريب منخفض جداً وخطأ اختبار مرتفع. العلاج: نموذج أبسط، تنظيم، إيقاف مبكر، بيانات أكثر.
الدرس: التعلم العميق: RNN وLSTM وGRUإيقاف التدريب حين لا تتحسن خسارة التحقق لعدد من الحقب (patience) واستعادة أفضل الأوزان. يقلل الإفراط في التعلم.
الدرس: التعلم العميق: RNN وLSTM وGRUتغير طويل الأمد في مستوى السلسلة. يقدّره التفكيك الكلاسيكي بمتوسط متحرك مركزي، ويختبر وجوده اختبار Mann-Kendall مع ميل Sen.
الدرس: مكونات السلسلة: الاتجاه والموسمية والدورة والضوضاءمتوسط وتباين ثابتان وتغاير يعتمد على التأخير فقط. شرط لنماذج ARMA. تختبر بـ ADF وKPSS وتتحقق غالباً بالتفاضل.
الدرس: الاستقرارية واختبارا ADF وKPSSتقدير القيمة المفقودة من جاراتها خطياً حسب المسافة الزمنية. لا يملأ القيم المفقودة في بداية السلسلة أو نهايتها.
الدرس: تنظيف البيانات: القيم المفقودة والشاذة والانتظام الزمنيآلية تزن أهمية كل خطوة في النافذة بالنسبة لكل خطوة أخرى؛ أساس Transformer وTFT.
الدرس: Transformer وN-BEATS وTFTرقم يثبت العشوائية لتكرار النتائج نفسها. نماذج الغابة وXGBoost والشبكات في المختبر تقبل بذرة.
الفروق بين القيم الفعلية والقيم الموفقة في التدريب. الجيدة: متوسط ~0، بلا ارتباط ذاتي، تباين ثابت.
الدرس: فترات التنبؤ وتشخيص البواقيالقيم السابقة y_{t−k}. في نماذج التعلم الآلي عدد التأخيرات معامل أساسي؛ ويضاف تأخير الموسم y_{t−m} اختيارياً.
الدرس: التعلم الآلي للسلاسل الزمنيةعدة طيات بنافذة تدريب متوسعة وأفق اختبار ثابت، مثل TimeSeriesSplit. يعطي متوسط الخطأ وانحرافه المعياري عبر الطيات.
الدرس: التقسيم الزمني والتحقق المتقاطع وتسرب البياناتيثبت التباين المتزايد ويحول الموسمية المضاعفة إلى جمعية. يتطلب قيماً موجبة؛ يمكن استخدام log(1+y) للقيم الصفرية.
الدرس: التحويلات: اللوغاريتم والتفاضل والتطبيعالمسافة الزمنية بين مشاهدتين: ساعي H، يومي D، أيام عمل B، أسبوعي W، شهري M، ربع سنوي Q، سنوي Y. يكتشفه المختبر من الفروق الزمنية الأكثر تكراراً ويقترح منه طول الموسم.
الدرس: ما السلسلة الزمنية؟ ولماذا نتنبأ بها؟إضافة موجات جيبية تعطي كل موقع بصمة فريدة، لأن الانتباه لا يعرف الترتيب بذاته.
الدرس: Transformer وN-BEATS وTFTMin-Max إلى [0,1] والمعايرة إلى متوسط 0 وانحراف 1. تحتاجها الشبكات العصبية وSVR وKNN. يجب أن تحسب من بيانات التدريب فقط.
الدرس: التحويلات: اللوغاريتم والتفاضل والتطبيعتغير مفاجئ في سلوك السلسلة مثل الجائحة أو تغير سياسة. يضلل اختبارات الاستقرارية ويضعف النماذج المدربة على الفترة السابقة.
الدرس: الاستقرارية واختبارا ADF وKPSSالفرق الأول y_t − y_{t−1} يزيل الاتجاه، والموسمي y_t − y_{t−m} يزيل الموسمية. في المختبر عملية «التفاضل» قابلة للتراجع، وتحدد Auto ARIMA عدد الفروق تلقائياً.
الدرس: الاستقرارية واختبارا ADF وKPSSفصل السلسلة إلى اتجاه وموسمية وباقٍ، جمعياً أو مضاعفاً. المختبر يطبق التفكيك الكلاسيكي مثل seasonal_decompose في statsmodels ويحسب قوة الاتجاه والموسمية.
الدرس: تفكيك السلسلة الزمنيةالتنبؤ بالخطوة التالية ثم استخدامها مدخلاً لما بعدها. تتراكم الأخطاء مع الأفق.
الدرس: التعلم الآلي للسلاسل الزمنيةيكشفها المختبر في تقرير التحقق ويدمجها بالمتوسط أو المجموع أو الأول أو الأخير حسب اختيارك.
الدرس: تنظيف البيانات: القيم المفقودة والشاذة والانتظام الزمنيجمعي حين يبقى مدى الموسمية ثابتاً، ومضاعف حين يتسع مع المستوى. المضاعف يحتاج قيماً موجبة، واللوغاريتم يحوله إلى جمعي.
الدرس: تفكيك السلسلة الزمنيةالحقبة مرور كامل على بيانات التدريب، والدفعة عدد النوافذ في كل تحديث للأوزان.
الدرس: التعلم العميق: RNN وLSTM وGRUتذبذبات صعود وهبوط بلا طول ثابت، عادة أطول من سنتين، مثل الدورات الاقتصادية. يكشف المختبر الدورات المحتملة من المخطط الدوري (Periodogram) لكنه لا يفصلها عن الاتجاه في التفكيك الكلاسيكي.
الدرس: مكونات السلسلة: الاتجاه والموسمية والدورة والضوضاءقياسات متتابعة لمتغير مرتبة زمنياً بفواصل منتظمة غالباً. ترتيب المشاهدات جزء من المعلومة، لذلك نقسمها زمنياً لا عشوائياً.
الدرس: ما السلسلة الزمنية؟ ولماذا نتنبأ بها؟y_t = y_{t−1} + ε_t. أفضل تنبؤ له هو Naive، وفترات تنبؤه تتسع بالجذر التربيعي للأفق. أسعار الأسهم قريبة منه.
الدرس: الاستقرارية واختبارا ADF وKPSSالضوضاء ما يتبقى بعد المكونات المنتظمة. الضوضاء البيضاء متغيرات غير مترابطة بمتوسط صفر وتباين ثابت، وتظهر في ACF دون أي قمة خارج الحدود.
الدرس: مكونات السلسلة: الاتجاه والموسمية والدورة والضوضاءثلاث طرق: IQR وZ-score وHampel. الإجراءات: تعليم كقيمة مفقودة، أو قص إلى الحد، أو استيفاء. افهم سبب الشذوذ قبل إزالته.
الدرس: تنظيف البيانات: القيم المفقودة والشاذة والانتظام الزمنييتعرف المختبر على الخلايا الفارغة وNA وNaN وnull و«-» كقيم مفقودة. الطرق المتاحة: الاستيفاء الزمني، الملء الأمامي والخلفي، المتوسط، الوسيط، الحذف.
الدرس: تنظيف البيانات: القيم المفقودة والشاذة والانتظام الزمنيمتغيرات أخرى تؤثر في الهدف مثل الحرارة والعطل. في المتصفح تدعمها نماذج ML؛ وSARIMAX في محرك Python. التنبؤ بالمستقبل يحتاج قيمها المستقبلية.
الدرس: SARIMA والمتغيرات الخارجيةنافذة متحركة تعرض متوسط آخر k قيم لتوضيح الاتجاه. تختلف عن «تنبؤ المتوسط المتحرك» وعن نموذج MA(q).
الدرس: تنظيف البيانات: القيم المفقودة والشاذة والانتظام الزمنيتقدير لقوة التذبذبات عند كل تردد. القمم تكشف الفترات المهيمنة، ومنها الدورات والموسميات غير المتوقعة.
الدرس: مكونات السلسلة: الاتجاه والموسمية والدورة والضوضاءإعدادات تختار قبل التدريب مثل عدد الأشجار وطول النافذة ومعدل التعلم. اضبطها بالتحقق المتقاطع الزمني لا على الاختبار.
الدرس: التقسيم الزمني والتحقق المتقاطع وتسرب البياناتنمط يتكرر بفترة ثابتة مرتبطة بالتقويم. علامتها قمم ACF عند m و2m. تقاس قوتها بـ F_S بين 0 و1.
الدرس: مكونات السلسلة: الاتجاه والموسمية والدورة والضوضاءوجود أكثر من موسم معاً مثل اليومي (24) والأسبوعي (168) في البيانات الساعية. نماذج ML بخصائص التقويم أو TBATS/MSTL (خارج المختبر) تتعامل معها.
الدرس: مكونات السلسلة: الاتجاه والموسمية والدورة والضوضاءتقطيع السلسلة إلى مدخلات بطول L وهدف هو القيمة التالية لتدريب الشبكات العصبية.
الدرس: التعلم العميق: RNN وLSTM وGRUوصول معلومات من المستقبل إلى التدريب: تقسيم عشوائي، أو تطبيع بإحصاءات السلسلة كلها، أو متغير خارجي غير معروف وقت التنبؤ، أو ضبط المعاملات على الاختبار.
الدرس: التقسيم الزمني والتحقق المتقاطع وتسرب البياناتآخر جزء من السلسلة للاختبار. يحدد المختبر حجم الاختبار بعدد المشاهدات أو نسبة مئوية، ويعرض الخط الفاصل على الرسم.
الدرس: التقسيم الزمني والتحقق المتقاطع وتسرب البياناتحالة تكون فيها الصدمات دائمة الأثر كما في السير العشوائي، فلا تعود السلسلة إلى متوسط ثابت. علاجها التفاضل.
الدرس: الاستقرارية واختبارا ADF وKPSSإضافة الأوقات الناقصة بقيم مفقودة كي تصبح الفواصل ثابتة، تمهيداً للاستيفاء. ضرورية لأغلب النماذج.
الدرس: تنظيف البيانات: القيم المفقودة والشاذة والانتظام الزمنيترميز دوري sin/cos لساعة اليوم ويوم الأسبوع وشهر السنة، مع مؤشر نهاية الأسبوع. تعطي نماذج ML معرفة بالتقويم.
الدرس: التعلم الآلي للسلاسل الزمنيةنموذج بسيط مثل Naive وSeasonal Naive يقارن به أي نموذج. تضمنه في كل مقارنة.
الدرس: طرق خط الأساس: لماذا نبدأ بالبسيط؟الارتباط بين السلسلة وتأخيرها k. الحدود ±1.96/√T. تساعد على كشف الموسمية واختيار q في MA.
الدرس: الارتباط الذاتي ACF والجزئي PACFالارتباط عند التأخير k بعد إزالة أثر التأخيرات الوسيطة. ينقطع بعد p في AR(p). يحسبه المختبر بـ Yule-Walker المعدل.
الدرس: الارتباط الذاتي ACF والجزئي PACFعدد المشاهدات في دورة موسمية واحدة: 12 للشهري، 4 للربعي، 7 لليومي (أسبوعي)، 24 للساعي (يومي)، 5 لأيام التداول. يحدده المختبر من التردد ومن ACF، ويمكنك تعديله.
الدرس: مكونات السلسلة: الاتجاه والموسمية والدورة والضوضاءمدى يتوقع أن تقع فيه القيمة المستقبلية باحتمال محدد (95%). تتسع مع الأفق. المختبر يعرضها للنماذج الإحصائية فقط.
الدرس: فترات التنبؤ وتشخيص البواقيطريقة تقدير لـ ARIMA تقلل مجموع مربعات أخطاء التنبؤ خطوة واحدة مشروطة بالقيم الأولى. يستخدمها المختبر في المتصفح.
الدرس: نماذج ARIMA ومنهجية Box-Jenkinsيعدّ النقطة شاذة إذا ابتعدت عن الوسيط المتحرك أكثر من t × 1.4826 × MAD. مناسب للسلاسل ذات الاتجاه لأن المقارنة محلية.
الدرس: تنظيف البيانات: القيم المفقودة والشاذة والانتظام الزمنيالتعرف (الاستقرارية وACF/PACF) ثم التقدير ثم التشخيص (البواقي)، وتكرار الدورة.
الدرس: نماذج ARIMA ومنهجية Box-Jenkinsلا يوجد مصطلح مطابق.
الأقسام
لا يوجد قسم بهذا الاسم. اضغط «بحث» للبحث في محتوى الموقع كله.
المفضلة
نتائجي وشهاداتي
تقدّمي في الأكاديميةنتائج اختباراتيتقدّم الأطفالشهادات الأكاديميةشهادات الاختباراتابدأ أي درس أو اختبار وسيظهر هنا لتعود إليه بسرعة.
الإعدادات
أنا مساعد مختبر التنبؤ بالسلاسل الزمنية. اسألني عن مفهوم أو نموذج أو مقياس أو مجموعة بيانات، وسأجيبك من قاعدة معرفة المختبر مع ذكر المصادر.
يجيب من قاعدة معرفة المختبر فقط، دون نموذج لغوي خارجي ودون إرسال سؤالك إلى أي جهة.
قد يخطئ المساعد أحياناً، فراجع المصادر المرفقة.