免费网站怎么制作,动态域名申请,网络营销论文范文,电子商务的6种类型常用数据集 2.monash数据集 官网链接 我们的存储库包含30个数据集#xff0c;包括公开可用的时间序列数据集(不同格式)和由我们管理的数据集。
DatasetDomainNo: of SeriesMin. LengthMax. LengthCompetitionMultivariateDownloadSourceM1Multiple100115150YesNoYearly Quart…常用数据集 2.monash数据集 官网链接 我们的存储库包含30个数据集包括公开可用的时间序列数据集(不同格式)和由我们管理的数据集。
DatasetDomainNo: of SeriesMin. LengthMax. LengthCompetitionMultivariateDownloadSourceM1Multiple100115150YesNoYearly Quarterly Monthly YearlyAthanasopoulos et al., 2011M3Multiple300320144YesNoQuarterly Monthly OtherMakridakis and Hibon, 2000M4Multiple100000199933YesNoYearly Quarterly Monthly Weekly Daily HourlyMakridakis et al., 2020TourismTourism131111333YesNoYearly Quarterly MonthlyAthanasopoulos et al., 2011CIF 2016Banking7234120YesNoMonthlyStepnicka and Burda, 2017London Smart MetersEnergy556028839648NoNoW Missing W/O MissingJean-Michel, 2019Aus. Electricity DemandEnergy5230736232272NoNoHalf HourlyCurated by usWind FarmsEnergy3396345527040NoNoW Missing W/O MissingCurated by usDominickSales11570428393NoNoWeeklyJames M. Kilts Center, 2020BitcoinEconomic1826594581NoNoW Missing W/O MissingCurated by usPedestrian CountsTransport6657696424NoNoHourlyCity of Melbourne, 2020Vehicle TripsTransport32970243NoNoW Missing W/O Missingfivethirtyeight, 2015KDD Cup 2018Nature270950410920YesNoW Missing W/O MissingKDD Cup, 2018WeatherNature3010133265981NoNoDailySparks et al., 2020NN5Banking111791791YesYesDaily W Missing Daily W/O Missing WeeklyBen Taieb et al., 2012Web TrafficWeb145063803803YesYesDaily W Missing Daily W/O Missing WeeklyGoogle, 2017SolarEnergy1375256052560NoYes10 Minutes WeeklySolar, 2020ElectricityEnergy3212630426304NoYesHourly WeeklyUCI, 2020CarPartsSales26745151NoYesW Missing W/O MissingFRED-MDEconomic107728728NoYesMonthlyMcCracken and Ng, 2016San Francisco TrafficTransport8621754417544NoYesHourly WeeklyCaltrans, 2020RideshareTransport2304541541NoYesW Missing W/O MissingCurated by usHospitalHealth7678484NoYesMonthlyHyndman, 2015COVID DeathsNature266212212NoYesDailyJohns Hopkins University, 2020Temperature RainNature32072725725NoYesW Missing W/O MissingCurated by usSunspotNature17393173931NoNoW Missing W/O MissingSunspot, 2015Saugeen River FlowNature12374123741NoNoDailyMcLeod and Gweon, 2013US BirthsNature173057305NoNoDailyPruim et al., 2020Solar PowerEnergy173972227397222NoNo4 SecondsCurated by usWind PowerEnergy173971477397147NoNo4 SecondsCurated by us
常用指标
MSEmean square error均方误差 RMSE(root mean square error) 均方根误差 MAE(mean absolute error) 平均绝对误差 MAPE(mean absolute percentage error) 平均绝对百分比误差 SMAPE(Symmetric Mean Absolute Percentage Error) 对称平均绝对百分比误差
对比先对比有平方操作和没有平方操作的平方操作会放大单个点的误差对误差的惩罚更大因此有平方操作的对异常点更加明显没有平方的操作对所有误差一视同仁对异常点不敏感。
MSE和RMSE RMSE 的值可以更直观地解释为与目标变量相同单位的标准差。这使得 RMSE 更容易理解因为它具有与数据相同的度量单位。
SMAPE vs MAPE:SMAPE 在处理分母为零的情况时更稳健因为分母考虑了真实值与预测值的绝对值的和。
MAE vs MAPE:MAE MAE 的单位与原始数据的单位相同因为它是误差的平均绝对值。 MAPE MAPE 的结果是以百分比形式表示的不受原始数据单位的影响。它以百分比来度量相对误差。
均方误差Mean Absolute ErrorMAE和平均绝对百分比误差Mean Absolute Percentage ErrorMAPE在不同的应用场景中可能更适用取决于对误差度量的不同关注点。以下是它们适用场景的一些特点
MAE 的适用场景
误差大小关键 当关注模型预测的绝对误差的大小时MAE 是一个合适的选择。它直接度量了预测误差的平均绝对值对于业务问题中误差的实际大小提供了直观的度量。MAPE 的适用场景
相对误差关键 当关注模型预测的相对误差的大小时MAPE 是更合适的选择。它将每个样本的绝对误差与相应的真实值的百分比进行比较更强调相对误差的百分比。数据具有不同尺度 MAPE 在处理具有不同尺度的数据时可能更为合适因为它以百分比形式提供了一个相对的度量不受原始数据单位的影响。MAPE因此可以适用于不同数据集之间的比较。常用方法
统计方法 机器学习方法 深度学习方法 基于transformer的方法 基于预训练大模型的方法
实验设计
1.不同时间序列任务预测、分类、异常检测 2.不同类型任务监督、自监督、迁移 3.数据集zero-shot,one-shot,all 4.变量多预测多多预测单、单预测单、部分变量预测 5.训练方法fine-tuning, linear probing, and supervising from scratch 6.消融实验w/o replace 超参数 LookbackWindow(seq_len) pred_len patch_len patch_num 关于超参数的实验往往使用图来展示 7.指标性能相关mse、mae;效率时间体量参数量
实验分析
CKA相似度 SHAP 除了SHAP之外还有一些其他用于解释机器学习模型的方法。这些方法各有特点适用于不同类型的模型和任务。以下是一些常见的模型解释方法
1.LIMELocal Interpretable Model-agnostic Explanations LIME是一种模型无关的局部解释方法它通过在局部生成一个简单的可解释模型来解释黑盒模型的预测。LIME通过在输入空间中生成随机样本观察它们的模型输出然后拟合一个简单的解释模型以近似原始模型在该点的行为。 2.Feature Importance特征重要性 这是一种简单但常用的解释方法通过分析模型中各个特征对于输出的相对重要性。随机森林、决策树等模型通常提供特征重要性的直接输出。 3.Partial Dependence Plots偏依赖图 偏依赖图显示模型输出与某个特征之间的关系保持其他特征不变。通过观察这些图表可以了解模型是如何对单个特征进行响应的。 4.Shapley Regression ValuesSRV 类似于SHAP值SRV是一种基于博弈论的解释方法用于解释回归模型的预测。它提供了每个特征对于整体预测的贡献。 5.TreeInterpreter 针对树模型如决策树和随机森林TreeInterpreter可以解释单个预测是如何通过模型的各个树来形成的。 6.LASSO Regression 在线性回归中使用LASSOLeast Absolute Shrinkage and Selection Operator进行特征选择可以得到一个稀疏模型从而识别对输出有重要贡献的特征。 7.Global Surrogate Models 这是一种通过在原始模型周围训练一个可解释的替代模型来解释复杂模型的方法。例如用一个简单的线性模型来近似复杂的深度学习模型。
选择合适的解释方法取决于具体的问题、模型和数据。通常结合多种解释方法可以提供更全面的理解。值得注意的是不同的解释方法对于不同类型的模型和任务可能具有不同的适用性和可解释性。
