Wat is feature engineering voor tijdreeksen (lags, rollende statistieken, datetime-kenmerken)?

Feature engineering voor tijdreeksen is het proces van het creëren van nieuwe kenmerken uit de ruwe gegevens, die modellen helpen om de temporele structuur en afhankelijkheden beter te begrijpen.

• Lags (vertragingen) — het creëren van kenmerken die de waarden van de tijdreeks uit eerdere tijdstippen weergeven. Bijvoorbeeld, de waarde van de reeks 1, 2, 3 periodes geleden. Dit helpt het model om autocorrelatie te overwegen.

• Rolling stats (rollende statistieken) — het berekenen van statistieken (gemiddelde, mediaan, standaarddeviatie, enz.) over een rollend venster. Bijvoorbeeld, het gemiddelde van de laatste 7 dagen. Dit helpt bij het identificeren van trends en het gladstrijken van ruis.

• Datetime features (datum- en tijdkenmerken) — het extraheren van kenmerken zoals dag van de week, maand, uur, feestdagen, seizoen, enz. uit een tijdstempel. Dit helpt het model om seizoensinvloeden en cycli te overwegen.

Voorbeeld van het maken van lags en rollende gemiddelden in Python met pandas:

import pandas as pd

df = pd.DataFrame({'value': [10, 12, 13, 15, 14, 16, 18]})
# Lag van 1 periode
 df['lag_1'] = df['value'].shift(1)
# Rollend gemiddelde over 3 periodes
 df['rolling_mean_3'] = df['value'].rolling(window=3).mean()

Op deze manier helpt feature engineering tijdreeksmodellen om de gegevensstructuur beter te begrijpen en de voorspellingskwaliteit te verbeteren.