Metriklerde eğilim ve dorgu temelinde model için özellikler nasıl oluşturulur?

İşaretlerin trend ve zirveye dayalı özelliklerini oluşturmak için aşağıdaki yaklaşımlar kullanılabilir:

1. Trend — metriğin zaman içindeki değişim yönünü yansıtır. Bunu vurgulamak için:

• Gürültüyü azaltmak için hareketli ortalama veya üssel düzleştirme hesaplayabilirsiniz.
• Belirli bir dönem içindeki metriğin değerleri üzerinde doğrusal regresyonun eğim katsayısını hesap edin — bu, trend özelliği olacaktır.
• Ardışık değerler arasındaki farkları veya yüzde değişikliklerini kullanın.

2. Zirve — metriğin maksimum veya minimum noktası, bu da zirve değerini gösterir:

• Extremum arama algoritmalarıyla yerel maksimum ve minimumları belirleyin.
• Mevcut noktanın bir zirve olup olmadığını gösteren ikili bir özellik oluşturun.
• En yakın zirveye zaman veya değer açısından uzaklığı hesaplayın.

Python'da trend ve zirve hesaplaması için örnek:

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)  # doğrusal regresyon
    return coeffs[0]  # trendin eğimi

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 (eğim): {trend}")
print(f"Zirve indeksleri: {peaks}")

Bu şekilde, trend ve zirve özellikleri modelin metriğin değişim dinamiğini dikkate almasına yardımcı olur, bu da tahminlerin kalitesini artırır.