Comment créer des caractéristiques pour le modèle basées sur la tendance et le point culminant dans les métriques?

Pour créer des caractéristiques basées sur la tendance et le pic dans les métriques, on peut utiliser les approches suivantes :

1. Tendance — reflète la direction du changement de la métrique dans le temps. Pour la mettre en évidence, on peut :

• Calculer une moyenne mobile ou un lissage exponentiel pour réduire le bruit.
• Calculer le coefficient de pente d'une régression linéaire sur les valeurs de la métrique sur une période donnée — cela sera une caractéristique de tendance.
• Utiliser des différences entre valeurs consécutives ou des changements en pourcentage.

2. Pic — point maximum ou minimum dans la métrique, indiquant une valeur de pic :

• Identifier les maxima/minima locaux à l'aide d'algorithmes de recherche d'extrêmes.
• Créer une caractéristique binaire indiquant si le point actuel est un pic.
• Calculer la distance en temps ou en valeur jusqu'au pic le plus proche.

Exemple en Python pour calculer la tendance et le pic :

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)  # régression linéaire
    return coeffs[0]  # pente de la tendance

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"Tendance (pente): {trend}")
print(f"Indices des pics : {peaks}")

Ainsi, les caractéristiques de tendance et de pic aident le modèle à prendre en compte la dynamique de changement des métriques, ce qui améliore la qualité des prédictions.