Memulai dengan jaringan saraf untuk perkiraan

16

Saya perlu beberapa sumber daya untuk memulai menggunakan jaringan saraf untuk peramalan seri waktu. Saya khawatir menerapkan beberapa makalah dan kemudian menemukan bahwa mereka telah sangat menyatakan potensi metode mereka. Jadi, jika Anda memiliki pengalaman dengan metode yang Anda sarankan itu akan lebih hebat lagi.

time-series neural-networks forecasting references Richard Hardy
sumber
Harap perhatikan bahwa NN agak ... usang.
2
@jason, NN telah dikategorikan sebagai "regresi tanpa etika" karena mereka tidak hanya cocok tetapi membuat kesalahan dengan "mempercayai data" daripada "menantang data untuk konsistensi sinyal"
IrishStat
13
NN sama sekali tidak usang. Mereka memegang skor terbaik pada beberapa tolok ukur penting yang saat ini ditangani oleh komunitas ML. Selain itu, mereka adalah penaksir fungsi multi-tujuan serbaguna yang terbaik. Lihatlah karya kelompok Bengio, Hinton, dan lecun selama 5 tahun terakhir.
bayerj
1
Saya membaca kertas Bengio & Lecun dan itu sedikit mengubah pikiran saya, tetapi apa yang mereka lakukan sangat berbeda dari jaring saraf sejarah. OP ingin bekerja dengan deret waktu, di mana ada beberapa metode yang dapat bekerja dengan deret waktu univariat dan benar-benar memberi Anda informasi yang berguna tentang deret waktu (DLM muncul di benak). Jika Anda memiliki data di luar deret waktu itu sendiri, Anda dapat menggunakan berbagai metode lain (LMs, dll) yang langsung dan juga menerangi. Mengapa menggunakan kotak hitam dengan nomor yang tidak berlabel ketika Anda dapat melakukan sesuatu yang dapat dimengerti?
Wayne
8
Tentu saja jaring saraf yang digunakan pada era 80-an / 90-an berbeda dari apa yang Anda gunakan saat ini dan masih merupakan bidang penelitian yang sangat aktif. Selain itu, Anda tidak pernah menggunakan jaringan saraf ketika Anda peduli tentang interpretabilitas. Anda menggunakannya saat Anda peduli tentang kesalahan prediksi. Jaringan saraf cepat dan mereka memecahkan masalah metode lain gagal. Mereka bagus karena mereka sederhana dari perspektif konseptual karena kurangnya asumsi tentang data yang Anda modelkan (kecuali Gaussian noise ketika digunakan dengan kesalahan kuadrat). Mereka memiliki kelebihan dan kekurangan mereka sendiri.
bayerj

Jawaban:

10

Inilah pengantar cepat yang bagus: pengantar jaringan saraf. Perhatikan bahwa R memiliki fungsionalitas jaringan saraf, jadi tidak perlu menghabiskan waktu mengimplementasikan NN sendiri sampai Anda memberinya putaran dan memutuskan itu terlihat menjanjikan untuk aplikasi Anda.

Jaringan saraf tidak usang, tetapi mereka telah melalui beberapa siklus hype, dan kemudian setelah menyadari bahwa mereka tidak melakukan segalanya seperti yang diklaim, reputasi mereka masuk ke palung untuk sementara waktu (kami saat ini berada di salah satu dari mereka) . Jaringan saraf bagus untuk tugas-tugas tertentu, dan umumnya lebih baik untuk tugas-tugas di mana manusia dapat melakukan tugas yang sama, tetapi tidak dapat menjelaskan dengan tepat bagaimana mereka melakukannya.

Jaringan saraf tidak memberi Anda banyak wawasan tentang sistem yang Anda gunakan untuk menganalisis, bahkan setelah mereka dilatih dan beroperasi dengan baik. Artinya, mereka dapat memprediksi apa yang akan terjadi (untuk beberapa sistem), tetapi tidak memberi tahu Anda alasannya. Dalam beberapa kasus, itu tidak masalah. Pada orang lain, itu tidak baik. Secara umum, jika Anda ingin atau terutama jika Anda sudah memiliki pemahaman tentang aturan cara kerja sesuatu, Anda dapat menggunakan teknik lain.

Tetapi, untuk tugas-tugas tertentu, mereka bekerja dengan baik.

Khusus untuk deret waktu, lihat diskusi pertanyaan ini: Cara yang tepat untuk menggunakan jaringan saraf berulang untuk analisis deret waktu

rossdavidh
sumber
6

Sementara itu difokuskan pada pengenalan pola statistik, daripada peramalan seri waktu, saya akan sangat merekomendasikan buku Chris Bishop Neural Networks for Pattern Recognition karena itu adalah pengantar terbaik untuk jaringan saraf pada umumnya, dan saya pikir itu akan menjadi ide yang baik untuk mendapatkan untuk mengatasi potensi jebakan dalam penggunaan jaringan saraf dalam konteks yang lebih sederhana, di mana masalah lebih mudah divisualisasikan dan dipahami. Kemudian beralih ke buku tentang jaringan saraf berulang oleh Mandic dan Chambers . Buku uskup adalah buku klasik, tidak ada yang harus menggunakan jaring saraf untuk apa pun sampai mereka merasa yakin bahwa mereka memahami materi yang terkandung dalam buku itu; JST membuatnya terlalu mudah untuk menembak diri sendiri di kaki!

Saya juga tidak setuju dengan mbq, nn tidak usang, sementara banyak masalah lebih baik diselesaikan dengan model linier atau teknik pembelajaran mesin yang lebih modern (misalnya metode kernel), ada beberapa masalah di mana mereka bekerja dengan baik dan metode lain tidak. Itu masih alat yang harus ada di kotak alat kami.

Dikran Marsupial
sumber