Saya baru mengenal pembelajaran mesin, dan saya telah berusaha mencari tahu bagaimana menerapkan jaringan saraf pada peramalan runtun waktu. Saya telah menemukan sumber daya yang terkait dengan permintaan saya, tetapi sepertinya saya masih sedikit bingung. Saya pikir penjelasan dasar tanpa terlalu banyak detail akan membantu.
Katakanlah saya memiliki beberapa nilai harga untuk setiap bulan selama beberapa tahun, dan saya ingin memprediksi nilai harga baru. Saya bisa mendapatkan daftar harga selama beberapa bulan terakhir, dan kemudian mencoba menemukan tren serupa di masa lalu menggunakan K-Nearest-Neighbor. Saya bisa mereka menggunakan tingkat perubahan atau properti lain dari tren masa lalu untuk mencoba dan memprediksi harga baru. Bagaimana saya bisa menerapkan jaringan saraf untuk masalah yang sama ini adalah apa yang saya coba cari tahu.
sumber
Jawaban:
Berikut adalah resep sederhana yang dapat membantu Anda memulai menulis kode dan menguji gagasan ...
Anggaplah Anda memiliki data bulanan yang direkam selama beberapa tahun, sehingga Anda memiliki 36 nilai. Mari kita juga berasumsi bahwa Anda hanya peduli tentang memprediksi satu bulan (nilai) di muka.
Resep ini jelas tingkat tinggi dan Anda dapat menggaruk kepala Anda pada awalnya ketika mencoba memetakan konteks Anda ke berbagai pustaka / program perangkat lunak. Tapi, semoga ini menggambarkan poin utama: Anda perlu membuat pola pelatihan yang cukup berisi struktur korelasi dari seri yang Anda coba ramalkan. Dan apakah Anda melakukan peramalan dengan jaringan saraf atau model ARIMA, pekerjaan eksplorasi untuk menentukan apa struktur itu sering merupakan bagian yang paling memakan waktu dan sulit.
Dalam pengalaman saya, jaringan saraf dapat memberikan klasifikasi hebat dan fungsionalitas peramalan, tetapi pengaturannya bisa memakan waktu. Dalam contoh di atas, Anda mungkin menemukan bahwa 21 pola pelatihan tidak cukup; transformasi input data yang berbeda mengarah pada perkiraan yang lebih baik / lebih buruk; memvariasikan jumlah lapisan tersembunyi dan simpul lapisan tersembunyi sangat memengaruhi prakiraan; dll.
Saya sangat merekomendasikan melihat situs web neural_forecasting , yang berisi banyak informasi tentang kompetisi peramalan jaringan saraf. The Motivasi Halaman ini sangat berguna.
sumber