Zeitreihen - Parameterkalibrierung

Einführung

Jedes statistische oder maschinelle Lernmodell weist einige Parameter auf, die einen großen Einfluss darauf haben, wie die Daten modelliert werden. Zum Beispiel hat ARIMA p-, d- und q-Werte. Diese Parameter sind so zu entscheiden, dass der Fehler zwischen Istwerten und Modellwerten minimal ist. Die Parameterkalibrierung gilt als die wichtigste und zeitaufwändigste Aufgabe der Modellanpassung. Daher ist es für uns sehr wichtig, optimale Parameter zu wählen.

Methoden zur Kalibrierung von Parametern

Es gibt verschiedene Möglichkeiten, Parameter zu kalibrieren. In diesem Abschnitt werden einige davon ausführlich beschrieben.

Hit-and-Try

Eine gängige Methode zum Kalibrieren von Modellen ist die Handkalibrierung, bei der Sie zunächst die Zeitreihen visualisieren und einige Parameterwerte intuitiv ausprobieren und immer wieder ändern, bis Sie eine ausreichend gute Anpassung erzielen. Es erfordert ein gutes Verständnis des Modells, das wir versuchen. Für das ARIMA-Modell erfolgt die Handkalibrierung mithilfe des Autokorrelationsdiagramms für den Parameter 'p', des partiellen Autokorrelationsdiagramms für den Parameter 'q' und des ADF-Tests, um die Stationarität der Zeitreihen zu bestätigen und den Parameter 'd' einzustellen . Wir werden all dies in den kommenden Kapiteln ausführlich besprechen.

Rastersuche

Eine andere Möglichkeit zum Kalibrieren von Modellen ist die Rastersuche. Dies bedeutet im Wesentlichen, dass Sie versuchen, ein Modell für alle möglichen Parameterkombinationen zu erstellen und das Modell mit dem minimalen Fehler auszuwählen. Dies ist zeitaufwändig und daher nützlich, wenn die Anzahl der zu kalibrierenden Parameter und der Wertebereich geringer sind, da mehrere verschachtelte for-Schleifen erforderlich sind.

Genetischen Algorithmus

Der genetische Algorithmus basiert auf dem biologischen Prinzip, dass sich eine gute Lösung schließlich zur „optimalsten“ Lösung entwickelt. Es nutzt biologische Operationen wie Mutation, Crossover und Selektion, um schließlich zu einer optimalen Lösung zu gelangen.

Weitere Informationen finden Sie in anderen Techniken zur Parameteroptimierung wie der Bayes'schen Optimierung und der Schwarmoptimierung.