समय श्रृंखला - पैरामीटर अंशांकन

परिचय

किसी भी सांख्यिकीय या मशीन लर्निंग मॉडल में कुछ पैरामीटर होते हैं जो डेटा को मॉडल करने के तरीके को बहुत प्रभावित करते हैं। उदाहरण के लिए, ARIMA में p, d, q मान हैं। इन मापदंडों का निर्णय इस तरह किया जाना चाहिए कि वास्तविक मान और मॉडल किए गए मानों के बीच त्रुटि न्यूनतम हो। पैरामीटर अंशांकन को मॉडल फिटिंग का सबसे महत्वपूर्ण और समय लेने वाला कार्य कहा जाता है। इसलिए, हमारे लिए इष्टतम मापदंडों का चयन करना बहुत आवश्यक है।

पैरामीटर के अंशांकन के लिए तरीके

मापदंडों को जांचने के विभिन्न तरीके हैं। यह खंड उनमें से कुछ के बारे में विस्तार से बात करता है।

हिट-एंड-कोशिश

मॉडल को कैलिब्रेट करने का एक सामान्य तरीका है हैंड कैलिब्रेशन, जहां आप समय-श्रृंखला की कल्पना करके शुरू करते हैं और कुछ पैरामीटर मानों को सहजता से आजमाते हैं और जब तक आप एक अच्छा पर्याप्त फिट हासिल नहीं कर लेते तब तक उन्हें बदलते रहते हैं। हमें जिस मॉडल की कोशिश कर रहे हैं, उसकी अच्छी समझ की आवश्यकता है। ARIMA मॉडल के लिए, 'p' पैरामीटर के लिए ऑटो-सहसंबंध प्लॉट की सहायता से हाथ अंशांकन किया जाता है, समय-श्रृंखला की स्थिरता और 'd' पैरामीटर की पुष्टि करने के लिए 'q' पैरामीटर और ADF- परीक्षण के लिए आंशिक ऑटो-सहसंबंध प्लॉट । हम आने वाले अध्यायों में इन सभी पर विस्तार से चर्चा करेंगे।

ग्रिड खोज

मॉडल को कैलिब्रेट करने का एक और तरीका ग्रिड खोज है, जिसका अनिवार्य रूप से मतलब है कि आप मापदंडों के सभी संभावित संयोजनों के लिए एक मॉडल बनाने की कोशिश करते हैं और न्यूनतम त्रुटि के साथ एक का चयन करते हैं। यह समय लेने वाली है और इसलिए उपयोगी है जब मापदंडों की संख्या को कैलिब्रेट किया जाता है और उनके द्वारा लिए जाने वाले मानों की सीमा कम होती है क्योंकि इसमें लूप के लिए कई नेस्टेड शामिल होते हैं।

जन्म प्रमेय

जेनेटिक एल्गोरिदम जैविक सिद्धांत पर काम करता है कि एक अच्छा समाधान अंततः सबसे 'इष्टतम' समाधान के लिए विकसित होगा। यह म्यूटेशन, क्रॉस-ओवर और चयन के जैविक संचालन का उपयोग करता है और अंत में एक इष्टतम समाधान तक पहुंचता है।

आगे के ज्ञान के लिए आप अन्य पैरामीटर अनुकूलन तकनीकों जैसे बायेसियन ऑप्टिमाइज़ेशन और झुंड ऑप्टिमाइज़ेशन के बारे में पढ़ सकते हैं।