Məlumatlarda meyl ilə necə mübarizə aparmaq olar, ağaclar və təsadüfi meşələr istifadə edərək proqnoz üçün?

Məlumatlardakı meyl, məqsədli dəyişənin zamanla sistematik dəyişməsidir və bu, qərar ağacları və təsadüfi meşələrin proqnoz keyfiyyətinə təsir göstərə bilər, çünki bu modellər məlumatların stasionarlığını varsayır.

Ağaclar və təsadüfi meşələr istifadə edərkən meyl ilə mübarizə üçün:

• Zaman seriyasını ayırmaq: meyl komponentini müəyyən etmək və çıxarmaq (məsələn, hərəkətli orta və ya STL metodlarından istifadə etməklə), və sonra modeli qalıqlar üzərində öyrətmək.
• Zamanla əlaqəli xüsusiyyətlər əlavə etmək: modelə zamanla əlaqəli xüsusiyyətlər (gün, ay, il, müşahidə nömrəsi) daxil etmək, beləliklə model meylə diqqət yetirə bilər.
• Fərqlərdən istifadə etmək: məlumatları ardıcıl müşahidələr arasındakı fərqləri götürərək çevirmək, beləliklə meylin qarşısını almaq.
• Modeli məhdud zaman intervalında olan pəncərələrdə öyrətmək: beləliklə, model köhnə meylləri "xatırlamaz".

Zamanla əlaqəli xüsusiyyətlərin əlavə olunması nümunəsi:

import pandas as pd
from sklearn.ensemble import RandomForestRegressor

# df-nin 'date' və 'target' sütunlarını ehtiva etdiyini fərz edək
df['day_of_year'] = df['date'].dt.dayofyear
df['year'] = df['date'].dt.year

features = ['day_of_year', 'year']
X = df[features]
y = df['target']

model = RandomForestRegressor()
model.fit(X, y)

Bu şəkildə, model zaman xüsusiyyətləri vasitəsilə meylə diqqət yetirə bilər, onu birbaşa təxmin etməyə çalışmaq yerinə.