Esta es una pregunta difícil y muy buena.
Aquí está la cosa, si tuviera que hacer una variable que pudiera representar la estacionalidad por unidad de tiempo, probablemente podría convencer a una red neuronal para que la ataque bien: en términos de decirle si estaba allí o no. Pero, por supuesto, tendría que tener una noción de la estacionalidad en términos de funciones.
- Esto haría que la red fuera muy grande, y también se sobreajustaría mucho.
- Es por eso que los NN prefieren datos preprocesados, por lo que pueden predecir patrones no lineales que no se describen fácilmente.
- La estacionalidad es algo de lo que quieres deshacerte para modelar, y tenemos muchas maneras de hacerlo en series de tiempo, y al usar esas primeras también podemos entender lo que estamos haciendo.
- Modelar la estacionalidad en una NN es muy muy muy complicado. Piénselo, tendría que tener nodos que se activaran simultáneamente y detectar las activaciones simultáneas y modelar eso con otra variable, etc., la estacionalidad tampoco es siempre una función. En mi ejemplo inventado, sería realmente difícil.
- No es que no puedas, es que una persona sana no lo haría. Obtendrá un mejor rendimiento preprocesando los datos para el almacenamiento.
Chicos y chicas van a saltar sobre esto, en su mayoría personas cuantiosas, diciendo que soy ridículo. Esto se debe a que usamos una terminología diferente.
- ¿Se pueden usar los modelos ocultos de Markov como clasificadores binarios? Si es así, ¿cómo?
- ¿Qué nivel de experiencia en aprendizaje automático se espera de un científico de datos?
- ¿Cómo son útiles las redes neuronales convolucionales para las empresas e industrias normales?
- Quiero comenzar en PNL. ¿Vale la pena?
- ¿Cómo puede Google diseñar un procesador más adecuado para el entrenamiento de redes neuronales profundas que la GPU?
Aquí está la cosa. Debes usar redes neuronales y aprendizaje profundo muy juiciosamente. Debe eliminar todos los fenómenos explicables de los datos y dejar solo los artefactos antes de comenzar a modelar. Estacionalidad, no. Por definición, es explicable, recurrente y se puede modelar: no se beneficiará al modelarlo (a menos, por supuesto, que sea una tienda de abarrotes con existencias adicionales durante las vacaciones, etc.). ¿Los artefactos en los datos con estacionalidad explicados? Sí, estos pueden modelarse y prestarse a cosas interesantes. Manzanas y naranjas.
Gran pregunta,
¡Continua!
