Обработка сезонности и дисбаланса класса в бинарной классификации временных рядов ⇐ Python

[Anonymous]

Я строю бинарный классификатор Pytorch, используя ~ 9 месяцев ежедневных данных. В положительной скорости чрезвычайно сильная сезонность, и у меня всего 9 месяцев, поэтому целый год обучающих данных, к сожалению, невозможна. /> различные размеры окна (30 дней против полного сезона) < /p>
Как катание, так и расширяющиеся разделы < /p>
Тем не менее, моя модель просто выводит текущую распространенность класса каждый день. Конечно, попытка компенсировать дисбаланс не была идеальной из -за фактических данных, имеющих этот баланс, и классификатор не оценивается на сбалансированное распределение. Но я не могу исключить это как участник. Для большей части моего тестирования я только что использовал 30-дневную окно и бинарную кросс-энтропию, я бы в идеале обучался большим данным, но способность оценивать сезоны затруднена из-за ограничений временных рядов (если здесь есть какие-либо подходы, которые также будут очень оценены).
В валидации BRIER BIER почти совпадает с P (1-P). КОДА>, что не кажется, что не кажется, что не кажется, что не кажется. Потеря проверки аналогично кажется довольно ужасной, если в блоке обучения и валидации составляют более 30%, что фактически увеличивается с подсчетом эпохи почти сразу. У меня нет большого опыта работы с вышеупомянутыми проблемами, а также уважаю ограничения данных временных рядов, поэтому я бы очень ценил любые указатели или возможности для изучения.
Спасибо!

Подробнее здесь: https://stackoverflow.com/questions/796 ... sification