[PYTHON] Ich habe 10 Bücher gelesen, die sich auf Zeitreihendaten beziehen, daher werde ich eine Rezension schreiben.

Über die Standposition jedes Buches

Ich mache mir Sorgen darüber, welche Achse die stehende Position erklären soll, aber diesmal habe ich versucht, sie als "Willkür und Vorurteil" mit zwei Achsen über "Zielleserebene" und "Beziehung zu Zeitreihen" zu positionieren.

Einführung

Bei der Arbeit verwende ich verschiedene Methoden für verschiedene Daten im Zusammenhang mit der Datenanalyse, aber wenn ich sie analysiere, gibt es überraschend viele Zeitreihendaten.

Numerische Vorhersagen und die Erkennung von Anomalien werden häufig zusammen mit der Zeit aufgezeichnet. Um Kenntnisse über diese Zeitreihendaten zu erlangen, habe ich mich entschlossen, das Buch umfassend zu lesen und Kenntnisse zu erwerben. Dieses Mal möchte ich Ihnen beim Kauf Ihres Buches helfen, indem ich eine Rezension zu "Was steht in welchem Buch geschrieben und in welcher Beziehung stehen sie zu anderen Büchern?"

"Überprüfen Sie die Standposition dieses Buches" "Wenn es ein Zeitreihenbuch ist, ist dieses Buch in Akan" Bitte lassen Sie mich wissen, wenn Sie welche haben.

Dieser Artikel hat ein ähnliches Konzept wie Buchhandbuch für Zeitreihenanalyse.

"Was ist besser, Python oder R?" Für Zeitreihendaten

• Sowohl Python als auch R verfügen über zahlreiche Pakete für Datenanalysebibliotheken, und die Geschwindigkeit vom Papier bis zur Implementierung ist schnell.
• Es gibt viele ähnliche Dinge, die sowohl in Python als auch in R visualisiert werden können und funktionieren.
• Python ist vorteilhaft für tiefes Lernen --Maschinenlernen wird von Python mit exzellentem Scikit-Lernen geleitet
• R hat auch attraktive Hilfsbibliotheken wie Tidymodelle und Rezepte. ――R ist die einzige „statistische Sprache“, die zur „einfachen Ausführung“ von Tests und Visualisierungen führt. --Stan für MCMC ist sowohl in R als auch in Python verfügbar
• ** R führt die Zeitreihenmodellierung an **

Wenn Sie Zeitreihen lernen möchten, empfehlen wir Ihnen, die Sprache R zu wählen.

Buchtitel und Übersicht

11 Bücher - Stand April 2020

Ich werde nach Amazon fliegen, aber Sie können sich gerne darauf beziehen, da darin keine Werbeeinnahmen für mich enthalten sind.

Informationen zu Methoden und Typen zur Vorhersage von Zeitreihen

Die Methoden zur Vorhersage von Zeitreihendaten, einschließlich der Zeitreihenmodellierung, können grob in vier Methoden unterteilt werden (** willkürlich **).

1. Selbstrückgabesystem
2. Zustandsraumsystem
3. Rückkehr des maschinellen Lernens
4. Tiefes Lernen

1. Selbstrückgabesystem

AR, ARMA, ARIMA, SARIMA, ARIMAX, SARIMAX, ARCH, GARCH, VAR

Es handelt sich um eine Gruppe von Zeitreihenmodellierungsmethoden, die es schon lange gibt, und sie ist nicht veraltet genug, um auch heute noch verwendet zu werden.

Zeitreihendaten werden als Funktion ausgedrückt, indem sie in mehrere Komponenten wie "Trend (Trend)", "Autokorrelation (Zyklus)", "Jahreszeit (periodischer Zyklus)" und "Fehler" zerlegt werden. Methode.

↑ Es wird so zerlegt (die Figur ist das Ergebnis des Propheten).

Um die Daten in diese Komponenten zu zerlegen, sind technische Maßnahmen wie ** Selbstrückgabe, Einheitswurzeltest, Differenz d-Ordnung, Modellauswahl durch AIC ** usw. erforderlich.

Es mag schwierig erscheinen, aber in der heutigen Zeit sind die Hürden gering, da die Modellierung von Selbstrückgabesystemen grundsätzlich automatisiert ist. Theoretisches Wissen ist jedoch auch erforderlich, um Modellierungsergebnisse zu "verstehen und zu berücksichtigen".

Wenn Sie nicht wissen, "welche Art von Theorie für die Berechnung verwendet wird" ・ Ist das Modell aufgrund der automatischen Bestimmung falsch? ・ Können Daten überhaupt durch Selbstrückgabe modelliert werden? Sie werden wichtige Teile wie übersehen.

(Das Lesen mehrerer Bücher erinnerte mich daran, wie wichtig es ist, die Theorie des maschinellen Lernens zu verstehen.)

2. Zustandsraumsystem

Wir werden Zeitreihendaten basierend auf der Idee modellieren, dass sie durch "probabilistisches Hinzufügen eines Werts" zu einem numerischen Wert namens "Zustand" erhalten werden können. Betrachten Sie zwei Formeln, die "Beobachtungsgleichung" und die "Zustandsgleichung". Bei dem Versuch, die Temperatur in Japan zu modellieren, können wir zunächst die periodische Wellenform heißer Sommer und kalter Winter berücksichtigen.

Eines Sommers gab es jedoch viel Regen und die Durchschnittstemperatur sank.

Wenn die periodische Wellenform als japanisches Temperaturmodell behandelt wird, können solche Änderungen jedoch nicht vorhergesagt werden Wenn die Wellenform aus der Aufzeichnung "ob es geregnet hat" korrigiert wird, kann der Temperaturabfall reflektiert werden. Es ist eine Methode zum Erstellen eines Modells basierend auf der Idee.

"Hat es geregnet?" Hier wird eine Gleichung erstellt, die "Zustand" ausdrückt. Da davon ausgegangen wird, dass der "Status" die Daten beeinflusst, besteht der Vorteil, dass es einfacher wird, die Änderung zu erklären, indem der Wert des Status überprüft wird, wenn berücksichtigt wird, "warum der Wert erreicht wurde".

Das Wort "Filter", das im Zustandsraummodell erscheint, bezieht sich auf den Algorithmus, der zum Erstellen und Korrigieren von "Zuständen" verwendet wird. Beim Erstellen eines Zustandsraummodells wird die Wahrscheinlichkeitsdichtefunktion, die der hinteren Wahrscheinlichkeit entspricht, kompliziert, und es ist erforderlich, eine Zufallszahl durch MCMC zu generieren, um den Parameter abzuschätzen.

3. Rückkehr des maschinellen Lernens

Es gibt ein Regressionsmodell als Methode des maschinellen Lernens. Dies ist eine Methode zur Vorhersage numerischer Werte unter Verwendung peripherer erklärender Variablen und vergangener Zeitpunkte anstelle der Zeitreihenmodellierung. In früheren Zeiten waren Methoden wie SVM (SVR) und kürzlich GBDT und LightGNM in Datenanalyse-Wettbewerben usw. aktiv und haben eine breite Palette von Anwendungen wie "Lösen von Klassifizierungsproblemen, schnelle Berechnung und Umgang mit Multivariaten". Ich habe das Gefühl, dass es beiläufig verwendet wird.

Wenn Sie sich mit Zeitreihenmodellierung auskennen, die Theorie kennen und einfach zu formulieren sind, wählen Sie Zeitreihenmodellierung aus. Wenn Sie es multivariat oder schwierig zu formulieren finden, versuchen Sie, mit einem anderen Modell für maschinelles Lernen zurückzukehren.

Ist es nicht ein guter Ansatz?

Lesen Sie das Zeitreihenbuch, damit Sie entscheiden können, ob Sie sich für die Zeitreihenmodellierung entscheiden. Wenn Sie mehr über maschinelles Lernen (Klassifizierung / Regression) erfahren möchten, stelle ich die folgenden Bücher vor.

4. Tiefes Lernen

Bei der Verwendung von Deep Learning für Seriendaten werden häufig RNN und verbessertes LSTM verwendet. Manchmal kann es im Fall von Multivariaten als Regression mit mehrschichtigem NN aus der in "3. Regression des maschinellen Lernens" eingeführten Idee gelöst werden. Dies ist ein häufiges Problem beim Deep Learning, kann jedoch ein Problem sein, wenn Sie aufgefordert werden, vorhergesagte Werte zu erklären.

Ich habe noch keine Kenntnisse über Bücher, die ich vorstellen kann, daher werde ich sie weglassen. (Ist ein Buch wie Mr. Negago gut? Wir warten auf die Empfehlung des Buches)

Wenn Sie 11 Bücher lesen und sich am Anfang selbst Ratschläge geben

Wenn Sie es einem Anfänger empfehlen möchten, der in Zukunft mit der Modellierung / Analyse von Zeitreihen beginnen wird, gehen Sie wie folgt vor. Ich habe hier nicht über "Vorhersage (Rückkehr) mit einem maschinellen Lernmodell" nachgedacht, sondern nur über einen Weg, "Zeitreihenmodellierung" zu verstehen.

• Grundlagen der Zeitreihenanalyse und des Zustandsraummodells (Cover von Hayabusa)
• Einfache Formeln und einfache Erklärungen der Grundlagen von Zeitreihen und Selbstrückgabemodellen
• ** AR, ARMA, ARIMA, SARIMA, ARIMAX, SARIMAX, VAR (teilweise), Zustandsraum, Kalman-Filter, MCMC **
• ** Sie können alle Grundlagen wie Unit Root, ADF-Test kennen ** --Geschichte und einfach zu lesen
• Persönlich war der Text leicht zu verstehen (leicht zu lesen) --Messwirtschaftliche Analyse von R.
• Es gibt auch eine Erklärung, wie man die R-Sprache berührt und bedient.
• Lernen Sie das von Hayashimoto und ** ARCH, GARCH ** verstandene Modell des Selbstrückgabesystems kennen
• Zeitreihenanalyse aus den Grundlagen
• Das Wissen über den Zustandsraum weiter einschränken
• ** Kalman-Filter, Partikelfilter, MCMC ** ――Wenn Sie den Weg der Zeitreihenmodellierung beschreiten möchten, lesen Sie einen zusätzlichen Leser über Kalman Filter --VAR empirische Analyse aus R. --Verwenden Sie die VAR-Funktion mit R.
• Verständnis der multivariaten Zeitreihenmodellierungsmethode (** VAR **)

Ich denke, dass Sie genug Kraft haben, um mit der bisherigen Zeitreihenmodellierungsmethode zu kämpfen.

Für weiteren Fortschritt und Wachstum

• Zeitreihenanalyse von Wirtschafts- und Finanzdaten
• Verstehen Sie den mathematischen Hintergrund der Zeitreihenmodellierung

Wenn Sie von einem Anfänger zu einer Richtlinie lesen, möchten Sie wachsen

• Messökonomie
• Das Konzept der Datenanalyse, Statistik und des maschinellen Lernens anhand der Grundlagen verstehen
• Wenn Sie zu Finanzen und Wirtschaft übergehen möchten, "** Maschinelles Lernen finanzieren " ――Wenn Sie sich als Ingenieur für maschinelles Lernen verbessern möchten, " gewinnen Sie mit Kaggle **"

das ist alles

Bisher habe ich die Zeitreihenbücher gelesen und über ihre Eindrücke, Buchbesprechungen und Empfehlungen nachgedacht.

・ "Zeitreihendatenanalyse, die sofort vor Ort verwendet werden kann" dient den Grundlagen, und ich bin der Meinung, dass die Priorität niedrig ist, da es nur wenige Einführungen von Zeitreihenmodellierungsmethoden gibt, wahrscheinlich weil sie alt sind. ・ Obwohl "Measurement Economic Analysis by R" ein altes Buch ist, gibt es viele Methoden zur Modellierung von Zeitreihen, und es werden auch grundlegende R-Operationsmethoden beschrieben. Daher dachte ich, dass sie in vielen Fällen absorbiert werden könnten, und erhöhte daher die Priorität ein wenig.

Ich hoffe es hilft dir beim Lernen.