シリーズ・全3本
時系列予測と変化点検知
予測に渡すラグ・移動平均を作る段階から、時系列のデータを扱います。日付の欠測や店舗ごとの区切りを点検したうえで、ARIMAのような定番手法や変化点検知のライブラリを、基準との比較なしに使ってしまいがちです。このシリーズでは、直前の値をそのまま使う素朴な予測のような「何もしない基準」を必ず同じ土俵に置き、定番手法がそれにいつ勝ち、いつ勝てないのか、設定ひとつで結果がどれだけ動くのかを実測しています。
このシリーズで確かめていること
- ARIMAや指数平滑は、直前の値のコピーにどれだけ勝てるのか
- 変化点検知の結果は、手法とパラメータのどちらで決まるのか
連載順に読む
第1回ARIMA・指数平滑はナイーブ予測に勝てるか—平均では勝ち、週次では4割の系列で勝てなかった
ARIMAや指数平滑が「前の値をコピーするだけ」のナイーブ予測に勝てているかをM4データの859系列で実測しました。平均誤差では古典手法が勝ちますが、系列ごとに見ると週次では4割で勝てていません。月次で最下位だったのは季節ナイーブでした。
第2回変化点検知はペナルティ次第でF1が3倍変わる—手法を選ぶより先に決める設定
変化点検知のライブラリ ruptures で、手法とペナルティのどちらが結果を左右するかを実測しました。同じ Pelt でも F1 は 0.275 から 0.931 まで動き、真の変化点が平均4.4本のところ平均37.0本を検出した条件もありました。位置が分かっている合成信号で3手法とペナルティ4水準を採点し、自分のデータで値を決める手順までまとめました。
第3回pandasのshift(1)で「前日」を作ったら、2日前の値が入っていた
日付が抜けるとshift(1)は前日ではなく前の行を返します。NaN同士でも参照日が違う例を13行の人工データで確認。自分のCSVでずれた日付を探し、前日値と3日平均を作り直すコードを紹介します。