시계열에 대한이 예측이 왜“꽤 열악”합니까?

신경망 사용법을 배우려고합니다. 이 튜토리얼 을 읽고있었습니다 .

의 값을 사용하여 t + 1 의 값을 예측 하여 시계열에 신경망을 피팅 한 후 저자는 다음 그림을 얻습니다. 여기서 파란색 선은 시계열, 녹색은 열차 데이터에 대한 예측, 빨간색은 테스트 데이터 예측 (테스트 기차 분할 사용)$t$$t+1$

"모델이 훈련 데이터 세트와 테스트 데이터 세트 모두에 적합하지 않은 것으로 나타났습니다. 기본적으로 출력과 동일한 입력 값을 예측했습니다."

그런 다음 저자는 , t - 1 및 t - 2 를 사용하여 t + 1 의 값을 예측 하기로 결정합니다 . 그렇게함으로써$t$$t-1$$t-2$$t+1$

"그래프를 보면 예측에서 더 많은 구조를 볼 수 있습니다."

내 질문

첫 번째 "가난한"이유는 무엇입니까? 그것은 나에게 거의 완벽 해 보이며, 모든 단일 변화를 완벽하게 예측합니다!

마찬가지로, 왜 두 번째가 더 낫습니까? "구조"는 어디에 있습니까? 나에게 그것은 첫 것보다 훨씬 나빠 보인다.

일반적으로 시계열에 대한 예측은 언제 좋으며 언제 나쁜가요?

일종의 착시 현상입니다. 눈은 그래프를보고 빨강과 파랑 그래프가 각각 옆에 있습니다. 문제는 그들이 서로 옆에 있다는 것입니다 수평 ,하지만 중요한 것은입니다 수직거리. 눈은 직교 그래프의 2 차원 공간에서 곡선 사이의 거리를 가장 쉽게 볼 수 있지만 중요한 것은 특정 t 값 내의 1 차원 거리입니다. 예를 들어 A1 = (10,100), A2 = (10.1, 90), A3 = (9.8,85), P1 = (10.1,100.1) 및 P2 = (9.8, 88)이 있다고 가정합니다. 눈은 자연스럽게 P1과 A1을 비교할 것입니다. P2가 A2와 비교 될 때 가장 가까운 지점이기 때문입니다. P1은 A2보다 A1에 더 가깝기 때문에 P1은 더 나은 예측처럼 보일 것입니다. 그러나 P1을 A1과 비교할 때 A1이 이전에 본 것을 얼마나 잘 반복 할 수 있는지를보고있을뿐입니다. A1과 관련하여 P1은 예측 이 아닙니다. 적절한 비교는 P1 v. A2와 P2 v. A3 사이이며,이 비교에서 P2는 P1보다 낫습니다. t에 대해 y_actual 및 y_pred를 플로팅하는 것 외에도 t에 대한 (y_pred-y_actual) 그래프가 있다면 더 분명했을 것입니다.

첫 번째 "가난한"이유는 무엇입니까? 그것은 나에게 거의 완벽 해 보이며, 모든 단일 변화를 완벽하게 예측합니다!

이른바 "이동 된"예측입니다. 차트 1을 자세히 살펴보면 예측력이 거의 마지막으로 본 값만 복사한다는 것을 알 수 있습니다. 즉, 모델이 더 잘 학습하지 못했으며 시계열을 임의의 보행으로 취급합니다. 신경망에 피드 하는 원시 데이터를 사용하는 것이 문제 일 수 있습니다 . 이 데이터는 고정 되어 있지 않으므로 모든 문제가 발생합니다.