Zaman serileri için feature engineering nedir (gecikmeler, kayan istatistikler, tarih saat özellikleri)?

Zaman serileri için özellik mühendisliği, ham verilerden yeni özellikler oluşturma sürecidir ve modellerin zaman yapısını ve bağımlılıkları daha iyi yakalamasına yardımcı olur.

• Lags (gecikmeler) — zaman serisinin önceki noktalarındaki değerleri temsil eden özellikler oluşturma. Örneğin, 1, 2, 3 periyot önceki değerler. Bu, modelin otokorelasyonu dikkate almasına yardımcı olur.

• Rolling stats (kayan istatistikler) — kayan pencere üzerinde ortalama, medyan, standart sapma gibi istatistiklerin hesaplanması. Örneğin, son 7 günün ortalaması. Bu, trendleri belirlemeye ve gürültüyü yatıştırmaya yardımcı olur.

• Datetime features (tarih ve saat özellikleri) — zaman damgasından hafta günü, ay, saat, tatil günleri, mevsim gibi özelliklerin çıkarılması. Bu, modelin mevsimsellik ve döngüselliği dikkate almasına yardımcı olur.

Python ve pandas kullanarak lag ve kayan ortalama oluşturma örneği:

import pandas as pd

df = pd.DataFrame({'value': [10, 12, 13, 15, 14, 16, 18]})
# 1 periyot gecikme
 df['lag_1'] = df['value'].shift(1)
# 3 periyotluk kayan ortalama
 df['rolling_mean_3'] = df['value'].rolling(window=3).mean()

Bu şekilde, özellik mühendisliği zaman serisi modellerinin veri yapısını daha iyi anlamasına ve tahmin kalitesinin artmasına yardımcı olur.