Warning: preg_grep(): Compilation failed: quantifier does not follow a repeatable item at offset 142 in /var/www/tg-me/post.php on line 75 Библиотека собеса по Data Science | вопросы с собеседований | Telegram Webview: ds_interview_lib/966 -
❓Что делать, если во временных рядах есть сезонные пики, которые могут быть ошибочно приняты за выбросы
Временные ряды часто имеют регулярные сезонные колебания — например, рост трафика в выходные или всплески продаж в праздники. Если такие пики воспринимаются как выбросы, модель может неправильно их интерпретировать и давать неточные прогнозы.
Что можно сделать: 1️⃣Сезонная декомпозиция: методы вроде STL (Seasonal-Trend decomposition using Loess) позволяют выделить тренд, сезонность и остатки. После отделения сезонной составляющей можно искать выбросы только в остатках. 2️⃣Учет временного контекста: добавьте в модель признаки, отражающие временные аспекты (например, день недели, час суток), чтобы алгоритм «понимал», когда пики — это норма. 3️⃣Устойчивые модели прогнозирования: такие модели, как Prophet или SARIMA, умеют учитывать сезонность и различать регулярные циклы от настоящих аномалий.
Особую сложность представляет нерегулярная сезонность, например, неожиданные праздничные всплески. Если модель не знает об этих событиях, она может ошибочно посчитать их выбросами. Поэтому полезно добавлять внешнюю информацию о праздниках и акциях.
❓Что делать, если во временных рядах есть сезонные пики, которые могут быть ошибочно приняты за выбросы
Временные ряды часто имеют регулярные сезонные колебания — например, рост трафика в выходные или всплески продаж в праздники. Если такие пики воспринимаются как выбросы, модель может неправильно их интерпретировать и давать неточные прогнозы.
Что можно сделать: 1️⃣Сезонная декомпозиция: методы вроде STL (Seasonal-Trend decomposition using Loess) позволяют выделить тренд, сезонность и остатки. После отделения сезонной составляющей можно искать выбросы только в остатках. 2️⃣Учет временного контекста: добавьте в модель признаки, отражающие временные аспекты (например, день недели, час суток), чтобы алгоритм «понимал», когда пики — это норма. 3️⃣Устойчивые модели прогнозирования: такие модели, как Prophet или SARIMA, умеют учитывать сезонность и различать регулярные циклы от настоящих аномалий.
Особую сложность представляет нерегулярная сезонность, например, неожиданные праздничные всплески. Если модель не знает об этих событиях, она может ошибочно посчитать их выбросами. Поэтому полезно добавлять внешнюю информацию о праздниках и акциях.
With the help of the Search Filters option, users can now filter search results by type. They can do that by using the new tabs: Media, Links, Files and others. Searches can be done based on the particular time period like by typing in the date or even “Yesterday”. If users type in the name of a person, group, channel or bot, an extra filter will be applied to the searches.
Among the actives, Ascendas REIT sank 0.64 percent, while CapitaLand Integrated Commercial Trust plummeted 1.42 percent, City Developments plunged 1.12 percent, Dairy Farm International tumbled 0.86 percent, DBS Group skidded 0.68 percent, Genting Singapore retreated 0.67 percent, Hongkong Land climbed 1.30 percent, Mapletree Commercial Trust lost 0.47 percent, Mapletree Logistics Trust tanked 0.95 percent, Oversea-Chinese Banking Corporation dropped 0.61 percent, SATS rose 0.24 percent, SembCorp Industries shed 0.54 percent, Singapore Airlines surrendered 0.79 percent, Singapore Exchange slid 0.30 percent, Singapore Press Holdings declined 1.03 percent, Singapore Technologies Engineering dipped 0.26 percent, SingTel advanced 0.81 percent, United Overseas Bank fell 0.39 percent, Wilmar International eased 0.24 percent, Yangzijiang Shipbuilding jumped 1.42 percent and Keppel Corp, Thai Beverage, CapitaLand and Comfort DelGro were unchanged.
Библиотека собеса по Data Science | вопросы с собеседований from us
