Как создать признаки для модели на основе тренда и кульминации в метриках?

Для создания признаков на основе тренда и кульминации в метриках можно использовать следующие подходы:

1. Тренд — отражает направление изменения метрики во времени. Для его выделения можно:

• Рассчитать скользящее среднее или экспоненциальное сглаживание для сглаживания шума.
• Вычислить коэффициент наклона линейной регрессии по значениям метрики за определённый период — это и будет признаком тренда.
• Использовать разности между соседними значениями или процентное изменение.

2. Кульминация — точка максимума или минимума в метрике, указывающая на пиковое значение:

• Определить локальные максимумы/минимумы с помощью алгоритмов поиска экстремумов.
• Создать бинарный признак, указывающий, является ли текущая точка кульминацией.
• Рассчитать расстояние по времени или по значению до ближайшей кульминации.

Пример на Python для вычисления тренда и кульминации:

import numpy as np
from scipy.signal import argrelextrema

def create_trend_feature(values):
    x = np.arange(len(values))
    coeffs = np.polyfit(x, values, 1)  # линейная регрессия
    return coeffs[0]  # наклон тренда

def find_peaks(values):
    maxima = argrelextrema(np.array(values), np.greater)[0]
    return maxima

values = [10, 12, 15, 14, 13, 16, 20, 18, 17]
trend = create_trend_feature(values)
peaks = find_peaks(values)

print(f"Тренд (наклон): {trend}")
print(f"Индексы пиков: {peaks}")

Таким образом, признаки тренда и кульминации помогают модели учитывать динамику изменения метрик, что улучшает качество предсказаний.