Zaman serisinin bu tahmini neden “oldukça zayıf”?

Yapay Sinir Ağlarının nasıl kullanılacağını öğrenmeye çalışıyorum. Bu dersi okuyordum .

Sinir Ağı bir Zaman Serisine değeri tahmin etmek için değerini kullanarak taktıktan sonra , yazar aşağıdaki çizgiyi elde eder, burada mavi çizgi zaman serisidir, yeşil tren verisindeki tahmindir, kırmızı test verileri hakkında tahmin (bir test treni bölünmesi kullandı)$t$$t+1$

ve "Modelin hem eğitimi hem de test veri setlerini yerleştirmek için oldukça zayıf bir iş yaptığını görebiliriz. Temel olarak çıktı ile aynı giriş değerini öngördü."

Daha sonra yazar , değeri tahmin etmek için , ve kullanmaya karar verir . Bunu yaparken$t$$t-1$$t-2$$t+1$

"Grafiğe baktığımızda tahminlerde daha fazla yapı görebiliriz" diyor.

Benim sorum

İlk "fakir" neden? benim için neredeyse mükemmel görünüyor, her değişikliği mükemmel bir şekilde tahmin ediyor!

Benzer şekilde, ikincisi neden daha iyi? "Yapı" nerede? Bana göre ilkinden çok daha fakir görünüyor.

Genel olarak, zaman serilerine ilişkin bir tahmin ne zaman iyi ve ne zaman kötü?

Bu bir tür optik yanılsamadır: göz grafiğe bakar ve kırmızı ve mavi grafiklerin her birinin yanında olduğunu görür. Sorun, yatay olarak yan yana olmaları , ancak önemli olan dikeymesafe. Göz, Kartezyen grafiğin iki boyutlu uzayındaki eğriler arasındaki mesafeyi en kolay şekilde görür, ancak önemli olan, belirli bir t değeri içindeki tek boyutlu mesafedir. Örneğin, A1 = (10,100), A2 = (10,1, 90), A3 = (9,8,85), P1 = (10,1,100,1) ve P2 = (9,8, 88) noktalarımız olduğunu varsayalım. Göz doğal olarak P1 ile A1'i karşılaştıracaktır, çünkü bu en yakın nokta, P2 ise A2 ile karşılaştırılacaktır. P1, A1'e P2'den A3'e olduğundan daha yakın olduğundan, P1 daha iyi bir tahmin gibi görünecektir. Ancak P1'i A1 ile karşılaştırdığınızda, A1'in daha önce gördüklerini ne kadar iyi tekrarlayabildiğine bakıyorsunuz; A1 ile ilgili olarak, P1 bir tahmin değildir. Uygun karşılaştırma P1 - A2 ve P2 - A3 arasındadır ve bu karşılaştırmata P2, P1'den daha iyidir. T'ye karşı y_actual ve y_pred çizimlerine ek olarak, t'ye karşı (y_pred-y_actual) grafikleri de olsaydı daha açık olurdu.

İlk "fakir" neden? benim için neredeyse mükemmel görünüyor, her değişikliği mükemmel bir şekilde tahmin ediyor!

Sözde "kaymış" bir tahmindir. Grafik 1'e daha yakından bakarsanız, tahmin gücünün sadece en son görülen değeri kopyalamak için olduğunu görürsünüz. Bu, modelin daha iyi bir şey öğrenmediği ve zaman serisine rastgele bir yürüyüş gibi davrandığı anlamına gelir. Sanırım problem , sinir ağına beslediğiniz ham verileri kullanıyor olmanız olabilir. Bu veriler sabit değildir, bu da tüm soruna neden olur.