or
Это упражнение является частью курса
Любой анализ данных следует начинать с построения графиков. Визуализация позволяет выявить многие особенности данных: закономерности, аномальные наблюдения и изменения во времени. Всё, что удаётся обнаружить на графиках, необходимо по возможности учитывать при выборе методов прогнозирования.
Текущее упражнение
В этой главе вы познакомитесь с универсальными инструментами, полезными в самых разных задачах прогнозирования. Вы изучите базовые методы прогнозирования, способы проверки того, насколько полно метод использует имеющуюся информацию, а также подходы к оценке точности прогнозов. Все рассмотренные инструменты будут применяться в последующих главах по мере освоения различных методов прогнозирования.
Прогнозы, полученные методами экспоненциального сглаживания, представляют собой взвешенные средние прошлых наблюдений, причём веса экспоненциально убывают по мере удаления наблюдений во времени. Иными словами, чем свежее наблюдение, тем выше его вес. Этот подход позволяет быстро строить надёжные прогнозы для широкого круга временных рядов, что делает его особенно ценным для бизнес-приложений.
Модели ARIMA предлагают альтернативный подход к прогнозированию временных рядов. Экспоненциальное сглаживание и модели ARIMA — два наиболее распространённых подхода в этой области, и они дополняют друг друга. Если модели экспоненциального сглаживания описывают тренд и сезонность данных, то модели ARIMA направлены на описание автокорреляционной структуры временного ряда.
Модели временных рядов из предыдущих глав хорошо работают во многих случаях, однако они нередко плохо справляются с недельными или почасовыми данными и не позволяют учитывать дополнительные факторы — праздники, активность конкурентов, изменения в законодательстве и т. д. В этой главе вы познакомитесь с методами, предназначенными для работы с более сложной сезонностью, а также рассмотрите способы расширения моделей ARIMA для включения дополнительной информации.