Microsoft Cloud Machine Learning Service引入了时间序列推荐的新功能,包括新的预测功能,滚动原点交叉验证和时间窗口聚合。除了减少预测模型中可能出现的错误之外,还应用新模型功能以提高预测准确性。
处理时间序列数据时,用户需要根据预测应用程序的上下文更紧密地考虑数据的状态。例如,可能有必要为每个预测重新训练模型或克服历史数据中存在的故障。 Microsoft添加的新预测函数是一种检索预测值的新方法,可以解决上述问题。物联网的应用经常遇到训练和预测数据之间的差距,这使得训练的模型变得不准确。微软解释说,数据变化应反映在模型培训中,但适用于物联网等高频应用。传感器的数据不断变化,受外部影响很大,因此实时重新训练模型是不切实际的。新预测功能允许fun88用户添加最近的预测上下文,自动校正由数据切片引起的模型预测误差,并内插必要的训练和预测上下文。
在时间序列数据验证中,Microsoft为用户提供时间序列交叉验证。微软表示,交叉验证是衡量和减少模型抽样误差的重要程序。但是,当数据分区(分区)不考虑时间因素时,可能会导致预测错误,因为在时间序列数据上,必须确保测试数据只能使用过去的值。
使用时间序列交叉验证作为评估时间序列数据的机器学习标准方法,使用原始时间点(原点时间点)来剪切训练和验证数据,并通过滑动原始时间生成交叉验证折叠。指向确保正确的数据。订购。时间序列交叉验证会自动应用于预测功能,用户只需传递培训和验证数据,以及要交叉验证的折叠数。
在时间序列推荐函数中,还添加了Lags和时间窗口聚合以提高预测的准确性。在Azure机器学习服务中的自动机器学习中,用户现在可以将目标滞后指定为模型的特征并设置数据。滞后时间间隔的长度。此外,用户可能需要设置时间窗口来聚合时间窗口中的值,这对于预测能量需求的应用程序尤其有用。用户可以将时间窗口设置为三天,具有不同的影响因素。纳入考虑因素。 Microsoft提到滞后和累积功能提供了额外的数据特征,因此提高了模型的准确性。