¡Mejore sus predicciones de aprendizaje automático con división precisa de datos, validación cruzada de series temporales, ingeniería de funciones y más!
(Sí, intenté generar gráficos de series temporales con una herramienta de inteligencia artificial. De hecho, estoy sorprendido por el resultado).
Analizar datos de series temporales, la mayoría de las veces, no es sencillo.
Este tipo de datos tiene peculiaridades y desafíos únicos que normalmente no se encuentra con otros conjuntos de datos.
Por ejemplo, el orden temporal observaciones debe ser respetadoy cuando los científicos de datos no tienen esto en cuenta, se produce un rendimiento deficiente del modelo o, peor aún, un fracaso total. predicciones engañosas.
Afrontaremos estos desafíos utilizando un conjunto de datos del mundo real, asegurando que los resultados sean reproducibles a través de los ejemplos de código proporcionados en este artículo.
Sin un manejo adecuado de los datos de series temporales, se corre el riesgo de crear un modelo que parezca funcionar durante el entrenamiento, pero se estropea en aplicaciones del mundo real.