Tại sao dự đoán về chuỗi thời gian này lại khá nghèo nàn?

Tôi đang cố gắng học cách sử dụng Mạng thần kinh. Tôi đã đọc hướng dẫn này .

Sau khi lắp Mạng thần kinh trên Chuỗi thời gian bằng cách sử dụng giá trị tại để dự đoán giá trị tại t + 1 , tác giả có được biểu đồ sau, trong đó đường màu xanh là chuỗi thời gian, màu xanh lá cây là dự đoán trên dữ liệu tàu, màu đỏ là dự đoán về dữ liệu thử nghiệm (anh ấy đã sử dụng phân tách thử nghiệm)$t$$t+1$

và gọi nó là "Chúng ta có thể thấy rằng mô hình đã làm một công việc khá kém là phù hợp với cả bộ dữ liệu huấn luyện và bộ kiểm tra. Về cơ bản, nó dự đoán giá trị đầu vào giống như đầu ra."

Sau đó, tác giả quyết định sử dụng , và để dự đoán giá trị tại . Làm như vậy có được$t$$t-1$$t-2$$t+1$

và nói "Nhìn vào biểu đồ, chúng ta có thể thấy nhiều cấu trúc hơn trong các dự đoán."

Câu hỏi của tôi

Tại sao "nghèo" đầu tiên? nó trông gần như hoàn hảo với tôi, nó dự đoán mọi thay đổi hoàn hảo!

Và tương tự, tại sao thứ hai tốt hơn? "Cấu trúc" ở đâu? Đối với tôi nó có vẻ nghèo hơn nhiều so với cái đầu tiên.

Nói chung, khi nào một dự đoán về chuỗi thời gian là tốt và khi nào nó là xấu?

Đó là một loại ảo ảnh quang học: mắt nhìn vào biểu đồ và thấy rằng các biểu đồ màu đỏ và màu xanh nằm ngay bên cạnh nhau. Vấn đề là chúng nằm ngay cạnh nhau theo chiều ngang , nhưng vấn đề quan trọng là chiều dọckhoảng cách. Mắt dễ dàng nhìn thấy khoảng cách nhất giữa các đường cong trong không gian hai chiều của đồ thị Cartesian, nhưng điều quan trọng là khoảng cách một chiều trong một giá trị t cụ thể. Ví dụ: giả sử chúng ta có các điểm A1 = (10,100), A2 = (10.1, 90), A3 = (9.8,85), P1 = (10.1.100.1) và P2 = (9.8, 88). Mắt tự nhiên sẽ so sánh P1 với A1, vì đó là điểm gần nhất, trong khi P2 sẽ được so sánh với A2. Vì P1 gần với A1 hơn P2 so với A3, nên P1 sẽ giống như một dự đoán tốt hơn. Nhưng khi bạn so sánh P1 với A1, bạn chỉ nhìn vào mức độ A1 có thể lặp lại những gì nó đã thấy trước đó; đối với A1, P1 không phải là một dự đoán. So sánh đúng là giữa P1 v. A2 và P2 v. A3 và trong so sánh này P2 tốt hơn so với P1. Sẽ rõ ràng hơn nếu, ngoài âm mưu y_actual và y_pred chống lại t, còn có đồ thị của (y_pred-y_actual) chống lại t.

Tại sao "nghèo" đầu tiên? nó trông gần như hoàn hảo với tôi, nó dự đoán mọi thay đổi hoàn hảo!

Đó là một dự báo được gọi là "thay đổi". Nếu bạn nhìn kỹ hơn vào biểu đồ 1, bạn sẽ thấy rằng sức mạnh dự đoán chỉ trong việc sao chép gần như chính xác giá trị nhìn thấy lần cuối. Điều đó có nghĩa là mô hình học được không có gì tốt hơn, và nó coi chuỗi thời gian là một bước đi ngẫu nhiên. Tôi đoán rằng vấn đề có thể là trong thực tế bạn sử dụng dữ liệu thô mà bạn cung cấp cho mạng thần kinh. Những dữ liệu này là không cố định gây ra tất cả các rắc rối.