Una guía completa sobre términos de interacción en la predicción de series temporales
Guía completa de términos de interacción en predicción de series temporales
Aprende cómo mejorar el ajuste de tus modelos lineales haciéndolos más flexibles ante los cambios de tendencia
La modelización de datos de series temporales puede ser desafiante (y fascinante) debido a su complejidad e imprevisibilidad inherentes. Por ejemplo, las tendencias a largo plazo en las series temporales pueden cambiar drásticamente debido a ciertos eventos. Recuerda el comienzo de la pandemia global, cuando las empresas como las aerolíneas o las tiendas físicas vieron una rápida disminución en el número de clientes y ventas. En contraste, las empresas de comercio electrónico continuaron operando con menos interrupciones.
Los términos de interacción pueden ayudar en la modelización de tales patrones. Capturan relaciones complejas entre variables y, como resultado, conducen a predicciones más precisas.
Esta publicación explora:
- Términos de interacción en el contexto de la predicción de series temporales
- Beneficios de los términos de interacción al modelar relaciones complejas
- Cómo implementar efectivamente los términos de interacción en tus modelos
Visión general de los términos de interacción
Los términos de interacción te permiten investigar si la relación entre el objetivo y una característica cambia dependiendo del valor de otra característica. Para más detalles, consulta mi artículo anterior.
La Figura 1 muestra un diagrama de dispersión que representa la relación entre millas por galón (objetivo) y el peso de un vehículo (característica). La relación es bastante diferente dependiendo del tipo de transmisión (otra característica).
- 130 Trucos y Recursos de Aprendizaje Automático Seleccionados Cuida...
- La intersección entre CDP y IA Cómo la Inteligencia Artificial está...
- Más oradores anunciados para ODSC APAC 2023
Sin utilizar términos de interacción, un modelo lineal no sería capaz de capturar una relación tan compleja. Efectivamente, asignaría el mismo coeficiente para la característica de peso, independientemente del tipo de transmisión. La Figura 1 muestra los coeficientes (pendiente de la línea) por característica de peso, que son drásticamente diferentes para diferentes tipos de transmisión.
Para superar esta falacia y hacer que el modelo lineal sea más flexible, podemos utilizar términos de interacción. En…
