Time-series-parameter-calibration

時系列-パラメータキャリブレーション

前書き

統計モデルまたは機械学習モデルには、データのモデル化方法に大きく影響するいくつかのパラメーターがあります。 たとえば、ARIMAにはp、d、qの値があります。 これらのパラメーターは、実際の値とモデル化された値の間の誤差が最小になるように決定されます。 パラメータキャリブレーションは、モデルフィッティングの最も重要で時間のかかるタスクであると言われています。 したがって、最適なパラメーターを選択することは非常に重要です。

パラメータの較正方法

パラメータを調整するにはさまざまな方法があります。 このセクションでは、それらのいくつかについて詳しく説明します。

ヒットアンドトライ

モデルを調整する一般的な方法の1つは、時系列の視覚化から開始し、いくつかのパラメーター値を直感的に試して、十分に適合するまで何度も変更する手動調整です。 私たちが試みているモデルをよく理解する必要があります。 ARIMAモデルの場合、「p」パラメーターの自己相関プロット、「q」パラメーターの部分自己相関プロット、および時系列の定常性を確認するADFテストと「d」パラメーターの設定を使用して、手動キャリブレーションが行われます。 。 これらすべてについては、今後の章で詳しく説明します。

グリッド検索

モデルを調整するもう1つの方法は、グリッド検索です。これは、基本的に、パラメーターの可能なすべての組み合わせのモデルを作成し、エラーが最小のモデルを選択することを意味します。 これには時間がかかるため、複数のネストされたforループが関係するため、調整するパラメーターの数とそれらが取る値の範囲が少ない場合に役立ちます。

遺伝的アルゴリズム

遺伝的アルゴリズムは、最終的には優れたソリューションが最も「最適な」ソリューションに進化するという生物学的原理に基づいて機能します。 突然変異、交叉、および選択の生物学的操作を使用して、最終的に最適なソリューションに到達します。

さらに知識が必要な場合は、ベイジアン最適化やSwarm最適化など、他のパラメーター最適化手法について読むことができます。