Prognoseroutine mit dem Algorithmus "Beste(r/s)" und "Prognosen kombinieren" aufrufen

In diesem Thema werden die Verfahren zum Aufrufen der Prognoseroutine unter Anwendung des Algorithmus "Beste(r/s)" und des Verfahrens "Prognosen kombinieren" erläutert. Die ausgewählten Verfahren werden angewendet, um die resultierende Ein-Schritt-voraus-Prognose zu kombinieren und zu ermitteln, ob das Kombinieren der Prognosen zu einer verbesserten Prognosegenauigkeit führt.

Wenn die Option Klassisches Kombinieren ausgewählt ist, werden die folgenden Verfahren verwendet:

  • Einfacher Mittelwert: Berechnet den Mittelwert der Prognosen
  • Getrimmter Mittelwert: Sortiert den Wert der Prognose in aufsteigender Reihenfolge, löscht die Extremwerte "x" (an beiden Enden) und berechnet den Mittelwert. "x" wird durch den Trim-Faktor definiert.
  • Winsorisierter Mittelwert: Sortiert den Prognosewert, ersetzt die Extremwerte "x" (an beiden Enden) mit "x+1" und berechnet den Mittelwert. "x" wird durch den Winsorisiert-Faktor definiert.
  • Gewichtetes AIC: Berechnet die Gewichtung für die ersten "x" besten AIC-Werte.

Zum Kombinieren der Prognosen können die folgenden optionalen Verfahren für die lineare multivariate Regression (Multivariate Linear Regression, MLR) angewendet werden:

  • MLR unter Verwendung des stochastischen Gradientenverfahrens (Stochastic Gradient Descent, SGD) und der Methode Trainieren/Testen:
    • Anwendung mit Randomisierung, wenn "Vollständiger Datensatz für maschinelles Lernen - Randomisierung" in der Prognoseroutine ausgewählt ist
    • Anwendung ohne Randomisierung, wenn "Vollständiger Datensatz für maschinelles Lernen" in der Prognoseroutine ausgewählt ist
  • MLR unter Verwendung des stochastischen Gradientenverfahrens (Stochastic Gradient Descent, SGD) und der Kreuzvalidierungsmethode wird angewendet, wenn in der Prognoseroutine "Kreuzvalidierung für maschinelles Lernen" ausgewählt ist.

Die MLR-Techniken berechnen einen Satz von Gewichtungen (eine für jede Prognose innerhalb eines Zeitraums, d. h. eine für jeden Algorithmus) wie folgt:

  • Einrichtung eines ersten Satzes von Gewichtungen und eines Achsenabschnitts (eine untergeordnete Ebene, die mit keiner Prognose verbunden ist).
  • Ausführen von Schleifen über alle Datenpunkte so oft ("Epoche"), wie im Prognoseroutine-Parameter definiert wurde.
  • Berechnung der Gewichtung für jeden Datenpunkt innerhalb jeder Hauptschleife unter Verwendung von SGD. Folglich wird die Gewichtung angepasst, indem ein Prozentsatz der Ein-Schritt-voraus-Prognose multipliziert mit der Beobachtung berücksichtigt wird. Der Prozentsatz wird durch die Lernrate bestimmt, die im Prognoseroutine-Parameter definiert ist.
  • Die Reihenfolge der Test- oder Trainingsdaten wird vor der Berechnung der Gewichtungen randomisiert, wenn Randomisierung gefordert wird (d. h. wenn der Ausgangswert für Zufallszahl 0 =).
Hinweis: Kombinationsoptionen schließen sich nicht gegenseitig aus. Alle Methoden können für die Kombination von Prognosen berücksichtigt werden.