أهداف الدرس
- تحويل السلسلة إلى مسألة انحدار بخصائص التأخير
- فهم التنبؤ التكراري
- تجنب تسرب البيانات
خصائص التأخير
نبني جدولاً كل صف فيه القيم y_{t−1}...y_{t−p} وتأخير الموسم y_{t−m} وخصائص التقويم (sin/cos لليوم والشهر) والمتغيرات الخارجية، والهدف y_t.
التنبؤ التكراري
للتنبؤ بعدة خطوات يتنبأ النموذج بالخطوة الأولى ثم يستخدمها كتأخير للخطوة التالية، فتتراكم الأخطاء مع الأفق.
حدود الأشجار
الغابة العشوائية وXGBoost لا تستطيع التنبؤ بقيم خارج مدى التدريب، لذلك تفشل مع الاتجاه القوي. الحل: خيار «الفرق الأول» للهدف في المختبر، فيتعلم النموذج التغيرات ثم يجمعها.
النماذج المتاحة
في المتصفح: الانحدار الخطي وRidge وKNN وSVR وشجرة القرار والغابة العشوائية وGradient Boosting ومعزّز بأسلوب XGBoost مكتوب بـ JavaScript. في محرك Python: scikit-learn ومكتبة XGBoost الرسمية.
الخلاصة
- الخصائص من الماضي فقط
- الأشجار لا تستقرئ: فاضل الهدف عند وجود اتجاه
