Por supuesto. El análisis de Fourier y otros métodos de detección de estacionalidad vienen a la mente. El problema con el análisis de Fourier es que tiende a sobreajustarse cuando se trata de datos ruidosos, y luego puede terminar con miles de frecuencias si tiene miles de puntos de datos. Cuando utilizo el análisis de Fourier, generalmente ejecuto FFT (Fast Fourier Transfrorm) y luego verifico qué frecuencias realmente importan: por ejemplo, puede ajustar cada frecuencia usando el Transfrorm de Fourier inverso y verificar su R-Squared y solo mantener las frecuencias que son valores atípicos altos en R-cuadrado.
Alternativamente, puede calcular ACF (función de autocorrelación) y solo mantener las frecuencias (rezagos) donde ACF es “lo suficientemente alto”.
Tenga en cuenta que si tiene una tendencia fuerte en sus datos, primero debe eliminar la tendencia de los datos, ya sea aplicando alguna forma de LOESS o simplemente diferenciando los datos. Por supuesto, hay un montón de problemas con la diferenciación (por ejemplo, si tiene una tendencia exponencial, la diferenciación no le servirá de nada), por lo que debe tener cuidado allí.
- ¿Qué significa esto exactamente, "Cambiar los puntos de inicialización durante el entrenamiento" para el aprendizaje profundo?
- En una máquina de vectores de soporte, el número de vectores de soporte puede ser mucho menor que el conjunto de entrenamiento. ¿Cómo puede ser útil esta característica?
- Cómo codificar TSVM usando bibliotecas SVM
- ¿Cómo se encuentran los trabajos de consultoría en machine learning + PNL?
- ¿Debo comenzar a aprender Python y el aprendizaje automático al mismo tiempo?
