Kā izveidot raksturlielumus modeļa, balstoties uz tendenci un kulmināciju metriku?

Lai izveidotu īpašības, kas balstītas uz tendenci un virsotni metrikās, var izmantot šādus pieejas:

1. Tendence — atspoguļo metrikas izmaiņu virzienu laikā. Lai to izceltu, var:

• Aprēķināt slīdošo vidējo vai eksponenciālo gludumu, lai samazinātu troksni.
• Aprēķināt lineāras regresijas slīpuma koeficientu noteiktā periodā — tas būs tendences īpašība.
• Izmantot secīgu vērtību starpību vai procentuālas izmaiņas.

2. Virsotne — maksimālā vai minimālā vērtība metrikā, kas norāda uz virsotni:

• Identificēt lokālos maksimumus/minimumus ar ekstremāmu meklēšanas algoritmiem.
• Izveidot bināru īpašību, kas norāda, vai pašreizējā punkts ir virsotne.
• Aprēķināt laika vai vērtības attālumu līdz tuvākajai virsotnei.

Python piemērs, kā aprēķināt tendenci un virsotni:

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)  # lineāra regresija
    return coeffs[0]  # tendences slīpums

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"Tendence (slīpums): {trend}")
print(f"Virsotņu indeksi: {peaks}")

Šādā veidā, tendences un virsotnes īpašības palīdz modelim ņemt vērā metrikas izmaiņu dinamiku, kas uzlabo prognožu kvalitāti.