Time Series - Kalibrasi Parameter

pengantar

Model statistik atau pembelajaran mesin apa pun memiliki beberapa parameter yang sangat memengaruhi cara data dimodelkan. Misalnya, ARIMA memiliki nilai p, d, q. Parameter ini harus diputuskan sedemikian rupa sehingga kesalahan antara nilai aktual dan nilai model minimal. Kalibrasi parameter dikatakan sebagai tugas penyesuaian model yang paling penting dan memakan waktu. Oleh karena itu, sangat penting bagi kami untuk memilih parameter yang optimal.

Metode untuk Kalibrasi Parameter

Ada berbagai cara untuk mengkalibrasi parameter. Bagian ini membahas beberapa di antaranya secara mendetail.

Tabrak-dan-coba

Salah satu cara umum untuk mengkalibrasi model adalah kalibrasi tangan, di mana Anda memulai dengan memvisualisasikan deret waktu dan secara intuitif mencoba beberapa nilai parameter dan mengubahnya berulang kali hingga Anda mencapai kecocokan yang cukup baik. Ini membutuhkan pemahaman yang baik tentang model yang kita coba. Untuk model ARIMA, kalibrasi tangan dilakukan dengan bantuan plot korelasi otomatis untuk parameter 'p', plot korelasi otomatis parsial untuk parameter 'q' dan uji ADF untuk memastikan stasioneritas deret waktu dan pengaturan parameter 'd' . Kami akan membahas semua ini secara rinci di bab-bab selanjutnya.

Pencarian Grid

Cara lain untuk mengkalibrasi model adalah dengan pencarian kisi, yang pada dasarnya berarti Anda mencoba membuat model untuk semua kemungkinan kombinasi parameter dan memilih salah satu dengan kesalahan minimum. Ini memakan waktu dan karenanya berguna ketika jumlah parameter yang akan dikalibrasi dan rentang nilai yang diambil lebih sedikit karena ini melibatkan beberapa loop bersarang.

Algoritma genetika

Algoritme genetik bekerja berdasarkan prinsip biologis bahwa solusi yang baik pada akhirnya akan berkembang menjadi solusi yang paling 'optimal'. Ini menggunakan operasi biologis mutasi, persilangan dan seleksi untuk akhirnya mencapai solusi yang optimal.

Untuk pengetahuan lebih lanjut, Anda dapat membaca tentang teknik pengoptimalan parameter lain seperti pengoptimalan Bayesian dan pengoptimalan Swarm.