or
Toto cvičení je součástí kurzu
Každá analýza dat by měla začít vizualizací. Grafy ti umožní odhalit celou řadu vlastností dat – vzory, neobvyklé hodnoty i změny v čase. To, co v grafech uvidíš, bys měl/a co nejlépe zohlednit ve zvolených metodách prognózování.
Aktuální cvičení
V této kapitole se naučíš obecné nástroje použitelné v mnoha různých situacích při prognózování. Projdeme si metody referenčního forecasting, způsoby, jak ověřit, zda daná metoda dostatečně využívá dostupné informace, a přístupy k měření přesnosti předpovědí. Všechny probírané nástroje pak budeme opakovaně využívat v dalších kapitolách, až budeme rozvíjet a zkoumat různé metody prognózování.
Předpovědi vytvořené metodami exponenciálního vyhlazování jsou váženými průměry minulých pozorování, přičemž váhy exponenciálně klesají s rostoucím stářím pozorování. Jinými slovy, čím novější pozorování, tím větší váhu mu přiřadíme. Tento přístup dokáže spolehlivě a rychle generovat předpovědi pro celou řadu časových řad, což je velkou výhodou zejména pro obchodní aplikace.
Modely ARIMA nabízejí další přístup k prognózování časových řad. Exponenciální vyhlazování a modely ARIMA patří mezi dva nejrozšířenější přístupy v oblasti prognózování časových řad a vzájemně se doplňují. Zatímco modely exponenciálního vyhlazování vycházejí z popisu trendu a sezónnosti dat, modely ARIMA se zaměřují na popis autokorelací v datech.
Modely časových řad z předchozích kapitol fungují dobře pro mnoho datových sad, ale často si neporadí s týdenními nebo hodinovými daty a neumožňují zahrnutí dalších informací – například vlivu svátků, aktivity konkurence nebo legislativních změn. V této kapitole se podíváme na metody, které zvládají složitější sezónnost, a prozkoumáme, jak rozšířit modely ARIMA tak, aby bylo možné do nich zahrnout i další proměnné.