«exponential-smoothing» etiketlenmiş sorular

Ben kullanımı ile serpmek başlıyorum glmnetile LASSO Regresyon ilgi benim sonuç dikotom olduğunu. Aşağıda küçük bir sahte veri çerçevesi oluşturdum: age <- c(4, 8, 7, 12, 6, 9, 10, 14, 7) gender <- c(1, 0, 1, 1, 1, 0, 1, 0, 0) bmi_p <- c(0.86, 0.45, 0.99, 0.84, 0.85, 0.67, …

77 r  self-study  lasso  regression  interpretation  anova  statistical-significance  survey  conditional-probability  independence  naive-bayes  graphical-model  r  time-series  forecasting  arima  r  forecasting  exponential-smoothing  bootstrap  outliers  r  regression  poisson-distribution  zero-inflation  genetic-algorithms  machine-learning  feature-selection  cart  categorical-data  interpretation  descriptive-statistics  variance  multivariate-analysis  covariance-matrix  r  data-visualization  generalized-linear-model  binomial  proportion  pca  matlab  svd  time-series  correlation  spss  arima  chi-squared  curve-fitting  text-mining  zipf  probability  categorical-data  distance  group-differences  bhattacharyya  regression  variance  mean  data-visualization  variance  clustering  r  standard-error  association-measure  somers-d  normal-distribution  integral  numerical-integration  bayesian  clustering  python  pymc  nonparametric-bayes  machine-learning  svm  kernel-trick  hyperparameter  poisson-distribution  mean  continuous-data  univariate  missing-data  dag  python  likelihood  dirichlet-distribution  r  anova  hypothesis-testing  statistical-significance  p-value  rating  data-imputation  censoring  threshold 

Aylık tahmin hesaplamasını otomatikleştirmek için R'de bir alogorithm üzerinde çalışıyorum. Diğerlerinin yanı sıra, tahmin hesaplamak için tahmin paketinden ets () işlevini kullanıyorum. Çok iyi çalışıyor. Ne yazık ki, bazı belirli zaman serileri için elde ettiğim sonuç tuhaf. Lütfen, kullandığım kodun altında bulabilirsiniz: train_ts<- ts(values, frequency=12) fit2<-ets(train_ts, model="ZZZ", damped=TRUE, alpha=NULL, beta=NULL, …

16 r  time-series  forecasting  exponential-smoothing 

Zaman serisi tahminini otomatikleştirmem gerekiyor ve bu serilerin özelliklerini (mevsimsellik, trend, gürültü, vb.) Önceden bilmiyorum. Amacım her dizi için mümkün olan en iyi modeli elde etmek değil, oldukça kötü modellerden kaçınmaktır. Diğer bir deyişle, her seferinde küçük hatalar almak sorun değil, arada sırada büyük hatalar almaktır. Bunu farklı tekniklerle hesaplanan …

13 time-series  forecasting  arima  ensemble  exponential-smoothing 

Kısa bir süre önce işyerinde aylık tahminler üzerinde çalışırken ve Rob Hyndman'ın kitabını okurken tahmin bilgimi yeniliyordum, ancak mücadele ettiğim tek yer, bir ARIMA modeline kıyasla üstel bir yumuşatma modelinin ne zaman kullanılacağıdır. Bir metodolojiyi diğerine karşı kullanmanız gereken bir kural var mı? Ayrıca, ikisini karşılaştırmak için AIC'yi kullanamayacağınız için …

12 forecasting  arima  exponential-smoothing 

Benim sorum Holt-Winters ve ARIMA arasındaki kavramsal fark etrafında. Anladığım kadarıyla Holt-Winters, ARIMA'nın özel bir örneğidir. Ancak bir algoritma diğerine göre ne zaman tercih edilir? Belki Holt-Winters artımlıdır ve bu nedenle satır içi (daha hızlı) bir algoritma olarak hizmet eder? Burada bir fikir bekliyorum.

11 time-series  arima  exponential-smoothing 

Ben üstel ağırlıklı ortalama hesaplamak için Python basit bir işlev yazdı: def test(): x = [1,2,3,4,5] alpha = 0.98 s_old = x[0] for i in range(1, len(x)): s = alpha * x[i] + (1- alpha) * s_old s_old = s return s Ancak, karşılık gelen SD'yi nasıl hesaplayabilirim?

10 standard-deviation  python  exponential-smoothing 

Sinir ağlarını zaman serilerini tahmin etmek için kullanma hakkında biraz duydum. Zaman serilerimi tahmin etmek için hangi yöntemin (günlük perakende veriler) daha iyi olduğunu nasıl karşılaştırabilirim: auto.arima (x), ets (x) veya nnetar (x). Auto.arima'yı AIC veya BIC ile ets ile karşılaştırabilirim. Fakat onları sinir ağlarıyla nasıl karşılaştırabilirim? Örneğin: > dput(x) …

10 r  neural-networks  forecasting  arima  exponential-smoothing 

Formun bir GLMM var: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Kullandığımda , araç paketinden veya drop1(model, test="Chi")kullandığımdan farklı sonuçlar alıyorum . Bu son ikisi aynı cevapları verir.Anova(model, type="III")summary(model) Bir grup uydurma veri kullanarak, bu iki yöntemin normalde farklı olmadığını gördüm. Dengeli doğrusal …

10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion