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

Machine learning 什么是';刷新率';在机器学习算法的背景下?,machine-learning,time-series,Machine Learning,Time Series,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

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
lookahead
。选择
lookback=10
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: