Dlaczego analiza szeregów czasowych nie jest uważana za algorytm uczenia maszynowego

12

Dlaczego analiza szeregów czasowych nie jest uważana za algorytm uczenia maszynowego (w przeciwieństwie do regresji liniowej).

Zarówno regresja, jak i analiza szeregów czasowych są metodami prognozowania. Dlaczego więc jeden z nich jest uważany za algorytm uczenia się, a drugi nie?

Zwycięzca
źródło
4
„Analiza szeregów czasowych” jest bardziej polem niż metodą, więc nazwanie go algorytmem może nie mieć sensu.
dsaxton,

Odpowiedzi:

16

Jak zauważa dsaxton , „analiza szeregów czasowych” nie jest ani algorytmem, ani metodą prognozowania. To dziedzina nauki . Ponadto wiele analiz szeregów czasowych nie dotyczy nawet prognozowania, a jedynie zrozumienia przeszłej dynamiki szeregów czasowych (np. Wykrywanie zmiany punktu).

Specyficzne techniki analizy szeregów czasowych odpowiednie do prognozowania , takie jak modele ARIMA lub Wygładzanie wykładnicze, można z pewnością nazwać „algorytmami uczenia się” i uznać za część uczenia maszynowego (ML), tak jak w przypadku regresji. Po prostu rzadko są.

Powiedziałbym, że odzwierciedla to to, że analiza szeregów czasowych była już bardzo dobrze ustalona i opracowała swój własny język przed pojawieniem się ML, więc niewielu analityków szeregów czasowych pomyśli o tym, co robią jako uczenie maszynowe (tak jak niewielu statystów pomyśli regresji jako ML - to społeczność ML klasyfikuje ustalone metody w nomenklaturze ML).

I odwrotnie, społeczność ML naprawdę niewiele robi z szeregami czasowymi per se, a „klasyczne” algorytmy ML, takie jak sieci neuronowe, naprawdę nie odniosły nadmiernego sukcesu w sensie wyraźnie przewyższającego klasyczne algorytmy szeregów czasowych w prognozowaniu. Jeśli modelujesz swoją dynamikę czasu w algorytmie ML, jesteś już dość blisko modelu ARIMA, ale jeśli tego nie zrobisz, naprawdę brakuje Ci struktury, która pomogłaby w prognozowaniu.

Stephan Kolassa
źródło