რისი არის დროის სერიების მოდელებისთვის მონაცემთა ნაკრების შექმნისა და ვალიდაციის მახასიათებლები?

საგანგაშო სერიების მოდელებისთვის მონაცემთა ნაკრებები და ვალიდაცია მნიშვნელოვანია დროის დამოკიდებულების გათვალისწინება მონაცემებში და თავიდან აიცილოთ ინფორმაცია მომავლისგან წარსულში გადაცემა.

ძირითადი მახასიათებლები:

1. გადმოსახვევი ფანჯარა (Sliding window) — შექმენით სასწავლო მაგალითები მიმდევრობით დროის ინტერვალებიდან, სადაც შესავალია წინა მნიშვნელობები, გამოსავალი — შემდეგი ნაბიჯი.

2. მონაცემთა განაწილება დროის მიხედვით — მონაცემები მკაცრად ნაწილდება სასწავლო, ვალიდაციის და ტესტის ნაწილებად დროის მიხედვით, რათა მოდელი არ ნახოს მომავალი მონაცემები სწავლების დროს.

3. ვალიდაცია დროის სერიის გათვალისწინებით:

   • გამოიყენეთ მეთოდები, როგორიცაა TimeSeriesSplit, რომლებიც ქმნიან მიმდევრობით განაწილებებს, რომლებიც ითვალისწინებს მონაცემების წესრიგს.
   • თავიდან აიცილეთ შემთხვევითი შაფლვა, რადგან ეს არღვევს დროის სტრუქტურას.

4. სეზონალობის და ტრენდების მართვა — მონაცემების თვისებების შექმნისას გათვალისწინებულია დროის მახასიათებლები (კვირის დღე, საათი, დღესასწაულები).

5. შესაკლავი მნიშვნელობებისა და ანომალიების მართვა — სწორი წინასწარი დამუშავება მნიშვნელოვანია, რადგან დროის სერიის მონაცემები მგრძნობიარეა ასეთ დამახინჯებებზე.

მონაცემთა განაწილების მაგალითი:

import pandas as pd
from sklearn.model_selection import TimeSeriesSplit

data = pd.read_csv('timeseries.csv', parse_dates=['date'])
data = data.sort_values('date')

# განაწილება სასწავლო და ტესტ მონაცემებზე თარიღის მიხედვით
train = data[data['date'] < '2023-01-01']
test = data[data['date'] >= '2023-01-01']

# TimeSeriesSplit-ის გამოყენებით კროს-ვალიდაცია
tscv = TimeSeriesSplit(n_splits=5)
for train_index, val_index in tscv.split(train):
    train_fold = train.iloc[train_index]
    val_fold = train.iloc[val_index]
    # მოდელის სწავლება და ვალიდაცია

ძალიან მნიშვნელოვანია დროის ქრონოლოგიური წესრიგის დაცვა და მომავლის მონაცემების წარსულში გადაცემა თავიდან აცილება.