Stationaarisuus ja differointi
Valmistele aikasarja mallinnusta varten
Stationaarisuus ja differointi on ilmainen Data Science Academy-oppitunti CoddyKitissä. Tämä on oppitunti 3/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Data Science Academy-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Data Science Academy-kurssilla on yhteensä 4 oppituntia.
Mallit pitävät vakaasta datasta
Useimmat ennustemallit olettavat, että sarja käyttäytyy yhdenmukaisesti ajan mittaan. Tätä ominaisuutta kutsutaan nimellä stationaarisuus. 🎯
Mitä stationaarisuus tarkoittaa
Stationaarisen sarjan keskiarvo ja hajonta pysyvät vakaina eivätkä muutu ajan mittaan. Sen tilastollinen luonne säilyy samana.
Trendit rikkovat stationaarisuuden
Nouseva trendi tarkoittaa, että keskiarvo kasvaa jatkuvasti, joten sarja ei ole stationaarinen. Monilla malleilla on vaikeuksia, kunnes korjaat tilanteen.
Myös kausivaihtelu rikkoo sen
Toistuva kausittainen vaihtelu saa keskiarvon nousemaan ja laskemaan sykleittäin. Myös tämä muuttuva rakenne tarkoittaa, ettei sarja ole stationaarinen.
ADF-testi
Sinun ei tarvitse arvailla. ADF-testi tarkistaa stationaarisuuden ja palauttaa tulkittavan p-arvon.
from statsmodels.tsa.stattools import adfuller
result = adfuller(sales)P-arvon tulkinta
Jos ADF-testin p-arvo on alle 0,05, sarja on todennäköisesti stationaarinen. Jos arvo on suurempi, sarjassa on todennäköisesti edelleen poistettava trendi.
Differointi pelastaa tilanteen
Differointi korvaa kunkin arvon sillä, kuinka paljon se muuttui edelliseen askeleeseen verrattuna. Tämä yksinkertainen toimenpide poistaa usein trendin.
diffed = sales.diff()Miksi se poistaa trendit
Kun tarkastelet muutoksia tasojen sijaan, tasainen nousu muuttuu nollan ympärillä heiluvaksi vaakasuoraksi viivaksi, joka on stationaarinen.
Poista ensimmäinen NaN
Ensimmäiselle riville ei ole mitään vähennettävää, joten diff jättää sen arvoksi NaN. Poista se ennen testaamista tai mallintamista.
diffed = sales.diff().dropna()Differoi uudelleen
Jos yksi kierros ei riitä, differoi tulos toisen kerran. Kierrosten määrästä tulee ARIMA-mallin d-termi.
Kausittainen differointi
Voit poistaa vuosittaisen syklin vähentämällä 12 askelta aiemman arvon. Tämä kausittainen differointi kohdistuu suoraan toistuvaan rakenteeseen.
seasonal = sales.diff(12)Pikakertaus
Raakadatasarjalle tehty ADF-testi palauttaa p-arvon 0,40. Mitä tämä viittaa?
Kertaus: tee sarjasta vakaa
Opit testaamaan stationaarisuutta ADF-testillä ja poistamaan trendit sekä syklit differoinnilla ennen mallintamista.
Opi Python tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 30
- Oppitunnit
- 120
Usein kysytyt kysymykset
Onko oppitunti ”Stationaarisuus ja differointi” ilmainen?
Kyllä – oppitunnin ”Stationaarisuus ja differointi” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Data Science Academy-kurssin, päivitä CoddyKit PROhon. Data Science Academy-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Stationaarisuus ja differointi”?
Valmistele aikasarja mallinnusta varten Harjoittelet Data Science Academy-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Data Science Academy-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Data Science Academy-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 3/4.
Kuinka kauan ”Stationaarisuus ja differointi”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Data Science Academy-oppitunnilla?
Kyllä. Jokainen Data Science Academy-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- Trendi, kausivaihtelu ja kohina
- Liukuvat ikkunat ja viiveet
- Stationaarisuus ja differointi
- Ensimmäinen ennusteen vertailutaso