Serie temporal: calibración de parámetros

Introducción

Cualquier modelo estadístico o de aprendizaje automático tiene algunos parámetros que influyen en gran medida en cómo se modelan los datos. Por ejemplo, ARIMA tiene valores p, d, q. Estos parámetros deben decidirse de manera que el error entre los valores reales y los valores modelados sea mínimo. Se dice que la calibración de parámetros es la tarea más crucial y que requiere más tiempo del ajuste del modelo. Por lo tanto, es muy importante para nosotros elegir los parámetros óptimos.

Métodos de calibración de parámetros

Hay varias formas de calibrar parámetros. Esta sección habla de algunos de ellos en detalle.

Hit-and-try

Una forma común de calibrar modelos es la calibración manual, en la que comienza visualizando la serie de tiempo e intenta intuitivamente algunos valores de parámetros y los cambia una y otra vez hasta lograr un ajuste lo suficientemente bueno. Requiere una buena comprensión del modelo que estamos probando. Para el modelo ARIMA, la calibración manual se realiza con la ayuda de un gráfico de autocorrelación para el parámetro 'p', un gráfico de autocorrelación parcial para el parámetro 'q' y una prueba ADF para confirmar la estacionariedad de la serie temporal y el ajuste del parámetro 'd' . Discutiremos todo esto en detalle en los próximos capítulos.

Búsqueda de cuadrícula

Otra forma de calibrar modelos es mediante la búsqueda de cuadrícula, lo que esencialmente significa que intenta construir un modelo para todas las combinaciones posibles de parámetros y seleccionar el que tenga el mínimo error. Esto lleva mucho tiempo y, por lo tanto, es útil cuando el número de parámetros a calibrar y el rango de valores que toman son menores, ya que implica múltiples bucles for anidados.

Algoritmo genético

El algoritmo genético funciona según el principio biológico de que una buena solución eventualmente evolucionará a la solución más "óptima". Utiliza operaciones biológicas de mutación, cruce y selección para finalmente llegar a una solución óptima.

Para obtener más conocimientos, puede leer sobre otras técnicas de optimización de parámetros como la optimización bayesiana y la optimización de enjambre.