Hoe maak je kenmerken voor het model op basis van de trend en het hoogtepunt in de metrics?

Om kenmerken op basis van trend en piek in metrics te creëren, kunnen de volgende benaderingen worden gebruikt:

1. Trend — weerspiegelt de richting van de verandering van de metriek in de tijd. Om dit te benadrukken, kan men:

• Een voortschrijdend gemiddelde of exponentiële gladstrijking berekenen om ruis te verminderen.
• De hellingscoëfficiënt van een lineaire regressie op de waarden van de metriek over een bepaalde periode berekenen — dit wordt een trendkenmerk.
• Verschillen tussen opeenvolgende waarden of procentuele veranderingen gebruiken.

2. Piek — het punt van maximum of minimum in de metriek, wat wijst op een piekwaarde:

• Lokale maxima/minima identificeren met behulp van extremum-zoekalgoritmen.
• Een binaire eigenschap creëren die aangeeft of het huidige punt een piek is.
• De tijd- of waardedistance tot de dichtstbijzijnde piek berekenen.

Voorbeeld in Python voor het berekenen van trend en piek:

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)  # lineaire regressie
    return coeffs[0]  # helling van de trend

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"Trend (helling): {trend}")
print(f"Indices van pieken: {peaks}")

Op deze manier helpen trend- en piekkenmerken het model om rekening te houden met de dynamiek van de metriekveranderingen, wat de voorspellingskwaliteit verbetert.