Llamada al motor de previsiones con el algoritmo Best y la combinación de previsiones

Cuando se selecciona la opción Combinación clásica, se utilizan las siguientes técnicas:

• Medio simple: calcula el medio de las previsiones
• Media recortado: clasifica el valor de las previsiones en orden ascendente, elimina valores extremos de "x" (en ambos finales) y calcula el medio. La "x" está definida por el factor de recorte.
• Medio winsorizado: clasifica el valor de previsión, reemplaza los valores extremos "x", (en ambos finales) por "x+1" y calcular el medio. La "x" está definida por el factor de winsorizado.
• AIC ponderado: calcula la ponderación de los primeros valores de AIC mejores "x".

Estas técnicas opcionales de regresión lineal multivariante (MLR) se pueden aplicar para combinar las previsiones:

• MLR usando descenso de gradiente estocástico (SGD) y metodología de entrenar y probar:
  • Se aplica con aleatorización si se selecciona "Aleatorización de aprendizaje automático del conjunto de datos completos" en el motor de previsiones.
  • Se aplica sin aleatorización si se selecciona "Aprendizaje automático del conjunto de datos completos" en el motor de previsiones.
• Se aplica MLR mediante descenso de gradiente estocástico (SGD) y la metodología de validación cruzada si se selecciona "Validación cruzada de aprendizaje automático" en el motor de previsiones.

Las técnicas MLR calculan un conjunto de ponderaciones (una para cada previsión dentro de un período de tiempo, es decir, una para cada algoritmo) de la siguiente manera:

• Configure un conjunto de ponderación inicial y una intersección (un nivel subyacente no relacionado con ninguna previsión).
• Recorra todos los puntos de datos de "época" el número de veces definido en el parámetro del motor de previsiones.
• Vuelva a calcular la ponderación de cada punto de datos dentro de cada bucle principal usando SGD. En consecuencia, la ponderación se ajusta considerando un porcentaje de la previsión de un paso por delante multiplicado por la observación. El porcentaje se determinado mediante la tasa de aprendizaje definida en el parámetro del motor de previsiones.
• El orden de los datos de prueba o entrenamiento se aleatoriza antes de calcular la ponderación, cuando se solicita la aleatorización (es decir, inicialización de número aleatoria = 0).