Machine learning 什么是'；刷新率'；在机器学习算法的背景下？

我最近一直在使用一个名为Monument（Monument.AI）的AI/ML平台来预测时间序列。该平台包含各种ML算法和算法内的参数，用于调整投影。在使用Light GBM和LSTM等算法时，有一个名为“Refresh Rate”的参数。Refresh Rate是一个接受整数的参数。在平台中，它将刷新率描述为

窗口的构造频率。每个窗口都用于验证此数量的数据点

其中，此上下文中的窗口是主培训期内的“子窗口”。我的问题是刷新率的基本用途是什么，以及将刷新率从1、10或50更改会如何影响预测？

。我认为我们应该在某个地方建立一个Faq平台，因为这些问题可能会让没有上下文的其他人感到困惑：-）

回到您的问题，

刷新率

仅影响时间序列分析的“验证”部分。它被解释为一个频率数，因此1=高刷新率，50=低刷新率。较高的刷新率会使验证效果更好，但比较低的刷新率慢；因此，你通常会选择一个适中的（10是一个不错的选择）

=======更多技术说明见下文======

在Mon碑上，选择一种算法对时间序列数据进行未来的“预测”，然后查看“验证”结果，看看该算法对您的问题有多合适。预测任务由两个“窗口”参数指定：

lookback

和

lookahead

。选择

lookback=10

和

lookahead=5

表示您试图“使用最后10个数据点预测未来的5个数据点”

验证需要反映完全相同的预测任务的结果。特别是，对于每个历史数据点，您需要训练一个过去有10个点的新的模型，以预测未来5个点。这是当刷新率=1时，即每个数据点的刷新率。对于每个历史数据点，创建一个长度为15（10+5）的“子窗口”。这是很多新的模式训练，可能会非常缓慢

---

如果不考虑时间和内存限制，那么

刷新率=1

是一个不错的选择，但通常我们希望更高效。在这里，我们利用一个“局部可重用性”假设，即为子窗口训练的模型对相邻子窗口有用。然后我们可以在一个子窗口上训练模型，并在10个历史点上使用它，即，

刷新率=10

。这样，所需的计算量大大减少，验证在一定程度上仍然是准确的。注意：您可能不想将刷新率设置为200，因为我的模型对200点以外的数据仍然有用这一点不是很有说服力。正如您所见，在速度和准确性之间有一个折衷。

您还可以获得有关Reddit的帮助：