Tenga en cuenta que no importa qué herramienta esté utilizando, siempre que pueda modelar correctamente los datos que está tratando de pronosticar.
Ahora que eso está fuera del camino, pasemos a los negocios.
Me gustaría que consideraras dos escenarios:
- ¿Qué tan importante es el aprendizaje profundo en la conducción autónoma?
- ¿Cómo funciona Watson Personality Insights de IBM?
- Cómo construir mi propio sistema de inteligencia artificial
- Los hiperparámetros del modelo de sintonización no encontraron los parámetros óptimos que uso en mi modelo. ¿Por qué?
- ¿Por qué hay una disminución en el rendimiento de los modelos pre-entrenados?
- Los datos son muy regulares (cíclicos, por ejemplo), pero con deriva a largo plazo.
- Los patrones de datos cambian a lo largo del tiempo.
Hay otros casos que podría usar, pero esos son los más simples.
En el primer caso, es obvio que querrá estabilizar sus estimaciones tanto como sea posible y es probable que desee utilizar todos los datos. (A menos que el patrón sea tan regular y la deriva sea tan predecible que no lo necesite todo, esto también reducirá el tiempo de entrenamiento).
En el segundo caso, no está claro. ¿Qué pasa si hay un patrón general que regula los cambios en los patrones que ves en el nivel de 5K? Por otro lado, si no existe ese patrón general, es mejor que prediga a partir de los últimos 5 km … pero no lo sabrá hasta que haya examinado los datos.
El pronóstico casi puede considerarse un arte: hay mucha intuición involucrada, una vez que lo haces mucho. He podido ver las parcelas y ver qué funcionará bastante bien. En realidad, nunca he hecho esto en la práctica, porque la primera regla de pronóstico (en mi libro) es que todo cambia con el tiempo, así que no dé nada por sentado.
No puedo responder a su pregunta a menos que yo mismo vea y trabaje con los datos, podría haber algunos casos sobre los que podría aconsejar, en dominios que conozco muy bien, pero en general, no puedo. A medida que se vuelva más competente y practique más, también desarrollará una intuición. Da pequeños pasos y estarás bien.
¿Entonces que haces ahora? Examinas los datos, los trazas. Dividirlo en conjuntos de prueba de validación de tren (y en este caso, la prueba viene después de la validación después del tren a tiempo casi siempre). Se ajustan a algunos modelos en general y los últimos, digamos, 5K registros en tren. Ya ves cómo funcionan en la validación. Cuando esté satisfecho, vea cómo funciona su modelo final en el conjunto de prueba.
De alguna manera, no es muy diferente del enfoque ML habitual, excepto que desea dividir su conjunto de datos de manera determinista por tiempo en lugar de al azar.
