1

1 つはタイムスタンプで、もう 1 つはエラー率です。H2O 深層学習モデルを使用して将来のエラー率を学習および予測しましたが、モデルを作成するには少なくとも 2 つの機能 (タイムスタンプを除く) が必要なようです。

h2o が特徴を 1 つしか持たないこのタイプのデータ (時間、値) を学習し、与えられた未来の時間の値を予測する方法はありますか?

4

3 に答える 3

2

H2O の現在のリリースではありませんが、ARIMA モデルは開発中です。ここで進行状況を確認できます。

于 2016-02-18T05:33:05.977 に答える
1

時系列データを使用して、H2O 内で多くのデフォルト メソッドを使用しようとしました。システムを、状態変数が一連の遅延した以前の状態であるステート マシンとして扱う場合、それは可能ですが、以前の状態は因果関係を維持していないため、完全には効果的ではありません。これを軽減する 1 つの方法は、EMA がより新しいデータを優先するのと同様に、過去の時間に基づいて各遅延状態セットに重みを割り当てることです。

DL/ML が非線形時系列モデルに対してどれほど簡単または効果的であるかを知りたい場合は、DL アプローチが単純な 1 期間の ARIMA/GARCH タイプのプロセスよりも改善されることを検証する簡単な問題から始めます。 .

私はこの手法を使用してきましたが、さまざまな成功を収めています。私が成功したのは、よく知られている非線形時系列モデルを採用し、手作りの非線形モデルを DL メソッドへの入力として使用して、追加の要因で予測品質を向上させることです。パラメータ空間全体について手動で解決していない特定の品質は、まともな基盤を補完できるようです。

その時点での本当の問題は、完全には理解されていない途方もない複雑さが導入されていることです。非線形モデルが 2 つのステージ間の情報の約 95% をカプセル化する場合、その複雑さはコンパイルされたランドスケープで保証されますか?

于 2016-12-17T17:31:02.800 に答える