Download - Regresión y Series temporales
![Page 1: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/1.jpg)
Julián LuengoInstituto Andaluz de Investigación en Data Science
and Computational Intelligence (DaSCI)
Dpto. Ciencias de la Computación e I.A.Universidad de Granada
[email protected]://sci2s.ugr.es
Regresión y Series temporales
Seminario Permanente de
Formación en
Inteligencia Artificial
Aplicada a la Defensa
![Page 2: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/2.jpg)
Resumen
1. Regresión
2. Series Temporales
3. Comentarios Finales
![Page 3: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/3.jpg)
Resumen
1. Regresión
2. Series Temporales
3. Comentarios Finales
![Page 4: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/4.jpg)
4
1. Definición del problema
▪ Objetivo: predecir el valor numérico para una variable a partir de los valores para otras
▪ La definición del problema es parecida a la del problema de clasificación: tenemos variables predictoras y una variable de regresión que en este caso es numérica
▪ En regresión la mayoría (e incluso todas) las variables predictoras son numéricas
El problema fundamental de la predicción está en modelar la relación entre las variables de estado para obtener el valor de la variable a predecir.
![Page 5: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/5.jpg)
5
1. Definición del problema
▪ Objetivo: predecir el valor numérico para una variable a partir de los valores para otras
▪ La definición del problema es parecida a la del problema de clasificación: tenemos variables predictoras y una variable de regresión que en este caso es numérica
▪ En regresión la mayoría (e incluso todas) las variables predictoras son numéricas
▪ Ejemplos:
• ¿qué consumo tendrá un coche en autovía en función de su peso, cilindrada, potencia,…?
• ¿qué número de artículos tendremos para el próximo pedido?
• ¿cuántos meses necesitaremos para desarrollar un proyecto software?
• ¿cuál es la probabilidad de que un cliente determinado sea receptivo a un envío publicitario?
• ¿cuántos enfermos tendremos en urgencias la próxima nochebuena?
![Page 6: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/6.jpg)
6
2. Validación en algoritmos de regresión
▪ Todas las técnicas de validación estudiadas en clasificación son válidas para predicción numérica
▪ La diferencia está en que ahora debemos medir el error de otra forma
▪ Debemos medir el error cometido al aproximar un conjunto de valores {v1,…,vn} por su estimación {v’1,…,v’n}
n
vvECM
n
i ii =−
= 1
2)'(
n
vvECME
n
i ii =−
= 1
2)'(
n
vvEMA
n
i ii =−
= 1'
=
=
−
−=
n
i i
n
i ii
vv
vvEAR
1
1'
'
1'
)1(
)'')((
vv
n
i ii
vvn
vvvvr
−
−−= =
Error cuadrático medio (ECM) ECM estandarizado (ECME)
Error medio absoluto (EMA) Error absoluto relativo (EAR)
Coeficiente de correlación
![Page 7: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/7.jpg)
7
3. Técnicas de clasificación válidas para regresión: kNN, RNN
▪ Métodos basados en ejemplos/instancias:
Al utilizar kNN, si los k vecinos más próximos {e1,…,ek}tienen valores {v1,..,vk} para la variable objetivo, entonces el valor a devolver para el objeto analizado e’sería
por ejemplo, con wi=1/d(ei,e’)
=
=
=
=
ponderado un voto hace se si·
igualcuentan todossi
1
1
1
k
i i
k
i ii
k
i i
w
vw
k
v
v
![Page 8: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/8.jpg)
8
3. Técnicas de clasificación válidas para regresión: kNN, RNN
▪ Métodos basados en redes neuronales:
• La capa de salida sería una única neurona
• Como los pesos se adaptan en función del error cometido, es suficiente con medir de forma adecuada el error
![Page 9: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/9.jpg)
9
4. Análisis de regresión
▪ El análisis de regresión es el método más utilizado para realizar la tarea de predicción numérica
▪ Objetivo: estimar la variable objetivo (y) como una ecuación que contiene como incógnitas al resto de las variables (x1,…,xn)
▪ El modelo más sencillo es la regresión lineal que reducida a una sola variable predictora tiene la forma:
y= a+b·x
▪ Estos coeficientes pueden obtenerse fácilmente mediante el método de los mínimos cuadrados
xbya
xx
yyxxb
s
i i
s
i ii
·
)(
))((
2
1
1
−=
−
−−=
=
=
![Page 10: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/10.jpg)
10
4. Análisis de regresión
Bastante
apropiado
No tan
apropiado
![Page 11: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/11.jpg)
11
4. Análisis de regresión
▪ Para estimar curvas es necesario utilizar otra regresión, por ejemplo, regresión exponencial: y=a·ebx
▪ ¿Cómo estimamos ahora a y b? Tomando logaritmos
▪ Es decir, tenemos un problema de regresión lineal entre y*=ln(y) y x. Una vez estimados a* y b podemos calcular a=ea*
bxayeayeay bxbx +=+== **)ln()ln()ln()·ln()ln(
![Page 12: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/12.jpg)
12
4. Análisis de regresión
Regresión lineal múltiple
▪ Cuando hay más de una variable predictora, la ecuación de predicción se transforma en
y=a+b1x1+b2x2+…+bnxn
Este problema se conoce como regresión lineal múltiple
▪ La estimación de los coeficientes es algo más compleja y requiere operar con matrices (y sus inversas)
▪ Por ejemplo, continuando con el ejemplo CPU.arff, tendríamos
Class= 0.066 * MYCT + 0.0143*MMIN + 0.0066*MMAX + 0.4945*CACH – 0.1723 * CHMIN + 1.2012 * HMAX – 66.4814
EAM = 34.31 %
EAR = 39.26 %
▪ Existen técnicas más complejas de regresión que aproximan de forma más precisa los datos de entrada
Regresión no-lineal, regresión logística, …
![Page 13: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/13.jpg)
13
5. Árboles de regresión
▪ Un árbol de regresión es un árbol de decisión cuyas hojas predicen una cantidad numérica
▪ Ese valor numérico se calcula como la media del valor para la variable clase de todos los ejemplos que han llegado a esa hoja durante el proceso de construcción del árbol
▪ La evaluación de un nuevo ejemplo es idéntico a los árboles de decisión
▪ Durante el proceso de predicción es posible utilizar un suavizado de los valores del ejemplo a tratar, con el fin de salvar las posibles discontinuidades presentes en los datos
▪ El criterio de selección de una variable en la construcción del árbol está basado en una reducción del error esperado: reducción de la desviación/varianza en la variable objetivo (standard reduction desviation):
SDR=Standard Deviation Reduction
▪ Al final el árbol se poda para evitar el sobreajuste
)()( i
i
iTsd
T
TTsdSDR −=
![Page 14: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/14.jpg)
14
5. Árboles de regresión
MMAX <= 14000 : | CACH <= 8.5 : | | MMAX <= 6100 : LM1 (75/5.4%)| | MMAX > 6100 : | | | MYCT <= 83.5 : | | | | MMAX <= 10000 : LM2 (8/4.5%)| | | | MMAX > 10000 : LM3 (3/3.78%)| | | MYCT > 83.5 : LM4 (22/6.73%)| CACH > 8.5 : | | CHMIN <= 7 : | | | MYCT <= 95 : LM5 (7/13.3%)| | | MYCT > 95 : | | | | CACH <= 28 : LM6 (12/7.85%)| | | | CACH > 28 : LM7 (6/7.27%)| | CHMIN > 7 : LM8 (8/45%)MMAX > 14000 : | MMAX <= 22500 : | | CACH <= 27 : | | | CHMIN <= 5 : LM9 (14/6.92%)| | | CHMIN > 5 : LM10 (5/12.8%)| | CACH > 27 : LM11 (18/25.1%)
LM1: class = 24.3LM2: class = 45.3LM3: class = 62.7LM4: class = 39.6LM5: class = 63.6LM6: class = 43.9LM7: class = 55LM8: class = 104LM9: class = 75.4LM10: class = 94.4LM11: class = 128LM12: class = 262LM13: class = 174LM14: class = 355LM15: class = 971
EAM 18.1275 EAR 20.7449%
WEKA: sin suavizarpoda=1
![Page 15: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/15.jpg)
15
6. Árboles de modelos
▪ Son árboles de regresión en los que la poda se realiza en mayor medida y en las hojas en lugar de un valor numérico contienen una ecuación de regresión local a esa partición del espacio
![Page 16: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/16.jpg)
16
6. Árboles de modelos
▪ Son árboles de regresión en los que la poda se realiza en mayor medida y en las hojas en lugar de un valor numérico contienen una ecuación de regresión local a esa partición del espacio
![Page 17: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/17.jpg)
17
6. Árboles de modelos
▪ Son árboles de regresión en los que la poda se realiza en mayor medida y en las hojas en lugar de un valor numérico contienen una ecuación de regresión local a esa partición del espacio
![Page 18: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/18.jpg)
Bibliografía
Alpaydin, Ethem. Machine learning: the new AI.
MIT press, 2016.
Alpaydin, Ethem. Introduction to machine
learning. MIT press, 2020.
![Page 19: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/19.jpg)
Resumen
1. Regresión
2. Series Temporales
3. Comentarios Finales
![Page 20: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/20.jpg)
Series temporales
▪ Predicción (forecasting)
▪ Herramientas básicas para predicción
▪ Regresión simple
▪ Regresión multivariada
▪ Descomposición de series temporales
▪ Modelos avanzados
![Page 21: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/21.jpg)
Definición
▪ Forecasting: Predecir el futuro con la mayor precisión posible, dada toda la información disponible, incluidos los datos históricos y el conocimiento de cualquier acontecimiento futuro que pueda afectar a las previsiones
▪ Por lo general, es una parte integral de la toma de decisiones.
Predicción - Forecasting
![Page 22: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/22.jpg)
Ejemplos
▪ Previsión de la demanda de electricidad: muy precisa
▪ Previsiones sobre los tipos de cambio: aproximadas
![Page 23: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/23.jpg)
Factores que afectan al pronóstico
▪ Horizonte temporal
▪ Tipos de patrones de datos
Marco temporal (¿Hasta dónde podemos predecir?)a corto plazo (1 - 2 periodos)
a mediano plazo (5 - 10 períodos)
a largo plazo (más de 12 períodos)
Forecasting cuantitativo
• Puede aplicarse cuando:
• Se dispone de datos numéricos sobre el pasado
• Es razonable suponer que algunos aspectos de las pautas pasadas continuarán en el futuro
![Page 24: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/24.jpg)
Series temporales
▪ Todo lo que pueda ser medido a lo largo del tiempo es una serie temporal
▪ Series de tiempoobservadas a intervalosregulares de tiempo(cada minuto, cada hora, diariamente, semanalmente, ...)
Xt1 ,Xt2 ,Xt3 ,....Xtn
![Page 25: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/25.jpg)
Forecasting de series temporales
▪ Los datos de las series temporales son útiles cuando se pronostica algo que cambia con el tiempo (por ejemplo, los precios de las acciones, las ventas, los beneficios, ...)
▪ La previsión de series temporales tiene por objeto estimar cómo continuará la secuencia de observaciones en el futuro
Marco temporal (¿Hasta dónde podemos
predecir?)a corto plazo (1 - 2 periodos)
a mediano plazo (5 - 10 períodos)
a largo plazo (más de 12 períodos)
![Page 26: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/26.jpg)
Predicción de producción de cerveza
![Page 27: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/27.jpg)
Series temporales
▪ Predicción (forecasting)
▪ Herramientas básicas para predicción
▪ Regresión simple
▪ Regresión multivariada
▪ Descomposición de series temporales
▪ Modelos avanzados
![Page 28: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/28.jpg)
Gráfico en el tiempo
![Page 29: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/29.jpg)
Gráfico en el tiempo, ej. 2
![Page 30: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/30.jpg)
Tipos de patrones en series temporales
▪ Tendencia: aumento o disminución a largo plazo de los datos
![Page 31: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/31.jpg)
Tipos de patrones en series temporales
▪ Patrón estacional: datos afectados por factores estacionales como la época del año o el día de la semana
![Page 32: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/32.jpg)
Tipos de patrones en series temporales
▪ Ciclo: los datos exhiben subidas y bajadas que no son de un período fijo; duración variable y desconocida
![Page 33: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/33.jpg)
Resúmenes de datos numéricos
▪ Estadísticas univariadas
• Promedio
• Mediana
• Percentiles
• Rango Intercuartil (IQR)
• Desviación típica
![Page 34: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/34.jpg)
Coeficiente de correlación
Fuerza de la relación
lineal
![Page 35: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/35.jpg)
Autocorrelación
▪ Relación entre los valores retardados de una serie temporal
![Page 36: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/36.jpg)
Función de autocorrelación (ACF)
![Page 37: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/37.jpg)
Ruido blanco
▪ Serie que no muestra autocorrelación
![Page 38: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/38.jpg)
Métodos sencillos de forecasting
▪ Método del promedio
▪ Método simplista (Naïve)
• Predicción: último valor observado
▪ Método simplista por estaciones
▪ Método de deriva (drift)
• El pronóstico aumenta o disminuye con el tiempo, por el promedio de los datos históricos
![Page 39: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/39.jpg)
Métodos sencillos de forecasting (2)
![Page 40: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/40.jpg)
Transformaciones
▪ El ajuste de los datos históricos puede conducir a un modelo de previsión más simple
• Transformación matemática
• Ajustes del calendario
• Ajustes de la población
• Ajustes de la inflación
▪ Objetivo: conseguir una serie temporal estacionaria
![Page 41: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/41.jpg)
Evaluación de la precisión del forecasting
▪ Forecast error:
▪ Errores dependientes de la escala errors
▪ Porcentaje de error:
▪ Errores escalados
![Page 42: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/42.jpg)
Series temporales estacionarias
![Page 43: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/43.jpg)
Series temporales no estacionarias
![Page 44: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/44.jpg)
Metodología
▪ Como en cualquier otra tarea de modelación es esencial realizar una evaluación correcta
▪ Los datos deben dividirse en partes de entrenamiento y de prueba
▪ Mejorado a través de la validación cruzada
▪ Mejorado aún más a través de la validación cruzada bloqueada
![Page 45: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/45.jpg)
Procedimientos de selección de modelos
![Page 46: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/46.jpg)
Diagnóstico en base al residuo (error)
▪ Residuo (error):
▪ Buen método de previsión:
• Residuos no correlacionados
• Los residuos tienen una media de cero
▪ Si el método no los cumple, puede ser mejorado
▪ Propiedades adicionales:
• Los residuos tienen una varianza constante
• Los residuos se distribuyen normalmente
![Page 47: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/47.jpg)
Diagnóstico en base al residuo (error)
47
![Page 48: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/48.jpg)
Series temporales
▪ Predicción (forecasting)
▪ Herramientas básicas para predicción
▪ Regresión simple
▪ Regresión multivariada
▪ Descomposición de series temporales
▪ Modelos avanzados
![Page 49: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/49.jpg)
Modelo lineal simple
![Page 50: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/50.jpg)
Regresión no lineal
▪ Una forma funcional no lineal puede ser más adecuada para un problema que una lineal
▪ Esto puede obtenerse mediante la transformación de y o x
![Page 51: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/51.jpg)
Series temporales
▪ Predicción (forecasting)
▪ Herramientas básicas para predicción
▪ Regresión simple
▪ Regresión multivariada
▪ Descomposición de series temporales
▪ Modelos avanzados
![Page 52: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/52.jpg)
Regresión múltiple
Una variable a ser pronosticada y varias variables predictoras
Predicción de la demanda de electricidad (ED)ED = f(temperatura actual, fuerza de la
economía, población, hora del día, día de la semana, error)
![Page 53: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/53.jpg)
Regresión no lineal
![Page 54: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/54.jpg)
La correlación no es causalidad
▪ Una variable x puede ser útil para predecir una variable y, pero eso no significa que x sea la causa de y.
▪ Las correlaciones son útiles para la predicción, incluso cuando no hay una relación causal entre las dos variables
![Page 55: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/55.jpg)
Series temporales
▪ Predicción (forecasting)
▪ Herramientas básicas para predicción
▪ Regresión simple
▪ Regresión multivariada
▪ Descomposición de series temporales
▪ Modelos avanzados
![Page 56: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/56.jpg)
Descomposición de las series temporales
▪ Las series temporales pueden exhibir una gran variedad de patrones y es útil para categorizar algunos de los patrones y comportamientos que se pueden ver
▪ A veces también es útil tratar de dividir una serie temporal en varios componentes, cada uno de los cuales representa uno de los componentes subyacentes
![Page 57: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/57.jpg)
Componentes de la serie de tiempo
Tendencia, Estacional, Cíclica
![Page 58: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/58.jpg)
Descomposición de las series temporales
Descomposición aditiva
Adecuada cuando la magnitud de las fluctuaciones estacionales o la variación en torno al ciclo de tendencia no varía con el nivel de la serie temporal
Descomposición multiplicativa
![Page 59: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/59.jpg)
Descomposición STL
▪ STL es un método de descomposición robusto y versátil: Descomposición estacional y de tendencia usando Loess.
▪ Puede manejar cualquier tipo de estacionalidad
• Se permite que el componente estacional cambie con el tiempo, dentro de un rango controlable por el usuario
• La suavidad del ciclo de tendencia también puede ser controlada por el usuario
• Es robusto a los valores atípicos (outliers)
![Page 60: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/60.jpg)
![Page 61: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/61.jpg)
Forecasting con descomposición
▪ Para pronosticar una serie temporal descompuesta, pronosticamos los componentes individuales, y luego calculamos el valor predicho
![Page 62: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/62.jpg)
Medias móviles
![Page 63: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/63.jpg)
Se utiliza con frecuencia para estimar el ciclo de tendencia a partir de datos estacionales
![Page 64: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/64.jpg)
Series temporales
▪ Predicción (forecasting)
▪ Herramientas básicas para predicción
▪ Regresión simple
▪ Regresión multivariada
▪ Descomposición de series temporales
▪ Modelos avanzados
![Page 65: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/65.jpg)
ARIMA
Parte autoregresiva Parte media móvil
ARIMA(p,d,q) necesita serie estacionaria
p: orden de la parte autorregresiva
d: grado de la primera parte de la diferencia conseguir estacionariedad
q: orden de la parte media móvil
![Page 66: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/66.jpg)
Support Vector Regression
▪ Esta es la versión de las máquinas de kernelpara tareas de regresión
![Page 67: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/67.jpg)
Redes neuronales
▪ Pereceptrón multicapa
▪ RBF
▪ Redes neuronales recurrentes (LSTMs)
![Page 68: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/68.jpg)
LSTMs
http://colah.github.io/posts/2015-08-Understanding-LSTMs/
![Page 69: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/69.jpg)
LSTMs
https://medium.com/mlreview/understanding-lstm-and-its-diagrams-37e2f46f1714
![Page 70: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/70.jpg)
LSTMs
![Page 71: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/71.jpg)
LSTMs
![Page 72: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/72.jpg)
LSTMs
![Page 73: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/73.jpg)
LSTMs
![Page 74: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/74.jpg)
LSTMs - ejemplos
Cheng, Jianpeng, Li Dong, and Mirella Lapata. "Long short-
term memory-networks for machine reading." arXiv preprint
arXiv:1601.06733 (2016).
Le, Xuan-Hien, et al. "Application of long short-term memory (LSTM) neural network for flood forecasting."
Water 11.7 (2019): 1387.
Malhotra, Pankaj, et al. "Long short term
memory networks for anomaly detection in time
series." Proceedings. Vol. 89. Presses
universitaires de Louvain, 2015.
![Page 75: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/75.jpg)
Bibliografía
Hyndman, Rob J., and George Athanasopoulos. Forecasting:
principles and practice. OTexts, 2018.
Shumway, Robert H., and David S. Stoffer. Time
series analysis and its applications: with R
examples. Springer, 2017.
![Page 76: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/76.jpg)
Resumen
1. Regresión
2. Series Temporales
3. Comentarios Finales
![Page 77: Regresión y Series temporales](https://reader030.vdocuments.site/reader030/viewer/2022012408/616a3a6711a7b741a350358a/html5/thumbnails/77.jpg)
Casi todos los problemas de predicción de variables numéricas tienen una componente temporal en los problemas reales
Comentarios Finales
Nuevas tendencias:
LSTMs
Ensamblaje de Modelos
Problemas típicos
Detección de anomalías
Predicciones encadenadas