Yapay Sinir Ağları sihir değildir. Onlara oldukları gibi davranırsanız ve çok kötü zaman geçireceğinizi düşünmeden onlara veri atarsanız.
Durup kendi kendine sormalısın "1970'den beri milisaniye gerçekten ilgilendiğim olayı tahmin edecek mi?" Hemen ulaşmanız gereken cevap hayır. Neden? Gerçekte değer verdiğiniz her örnek için (gelecekteki olaylar, geçmişte gerçekleşti) zaman değişkeni, zaman değişkeninin egzersiz verilerinizde alacağı herhangi bir değerden daha büyük bir değer alacaktır. Böyle bir değişkenin yardımcı olması pek olası değildir. Daha da kötüsü, dikkatli olmazsanız aşırı sığmaya (sinir ağları gibi güçlü doğrusal olmayan modeller için ciddi bir sorun) neden olabilir.
Şimdi mantıklı olabilecek mevsimsel veya yıllık etkileri modellemenize yardımcı olabilecek yılın veya ayın haftası gibi bir değişkendir. Tarımsal hastalık tahmininde Julian gününün çok önemli bir değişken olduğu bazı çalışmalar yaptım. Bu deneyime dayanarak, bu tür bir değişkeni sıralı değil kategorik bir değişken olarak kodlamaktan daha iyi olacağınızdan şüpheleniyorum, deneyiminiz çok olabilir. Yılın ayının veya haftasının, egzersiz verilerinizde birçok kez görmesi muhtemel olan tekrarlanabilir olaylar olduğuna dikkat edin ve böyle bir değişkenin neden finansal sonucu etkileyebileceğini açıklamak mümkündür. Bunu 1970'den beri sadece monoton olarak artan bir değer olan milisaniye ile karşılaştırın.
Son olarak, ifadenizden "Yoksa verilerin geri kalanını kronolojik olarak beslediğim sürece bu zamanı gereksiz mi?" Sinir ağlarının nasıl çalıştığını çok iyi kavrayamayacağınız anlaşılıyor. Standart bir ileri beslemeli sinir ağı ile ağı beslediğiniz sıra verilerinizin tahminler üzerinde hiçbir etkisi olmayacaktır. Stokastik veya mini-parti degrade iniş kullanıyorsanız düzen eğitimi etkileyebilir, ancak bu sadece (toplu işin aksine) eğitim yönteminin bir yinelemesidir. Sinir ağına geçici bağımlılığı modellemek istiyorsanız, sürgülü pencere veya tekrarlayan sinir ağı gibi bir şey kullanmanız gerekir.