ml/ library Learn by doing
ALGORITHM 77 · PYTHON / JAVASCRIPT

ARMA

รวมอิทธิพลจากค่าเก่ากับ shock ที่โมเดลเคยพลาด

LEARNING LEVEL3
ผสานหลายแนวคิดควรรู้มาก่อน · Autoregressive และ Moving Average
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — ARMA(p,q) อธิบายอนุกรม stationary ด้วย lag ของค่าตัวเองและ lag ของ residual จึงรวมความต่อเนื่องของสัญญาณกับผลกระทบจาก shock ระยะสั้น

ลองนึกภาพว่า — เหมือนคาดอุณหภูมิจากทั้งอุณหภูมิเมื่อวานและข้อผิดพลาดของพยากรณ์ล่าสุด

ตัวอย่างการนำไปใช้ — พยากรณ์สัญญาณ stationary วิเคราะห์ autocorrelation และเป็นฐานของ ARIMA

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

ARMA เริ่มจากคำถามง่าย ๆ ว่า รวมอิทธิพลจากค่าเก่ากับ shock ที่โมเดลเคยพลาด วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

เหมือนคาดอุณหภูมิจากทั้งอุณหภูมิเมื่อวานและข้อผิดพลาดของพยากรณ์ล่าสุด ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

ARMA(p,q) อธิบายอนุกรม stationary ด้วย lag ของค่าตัวเองและ lag ของ residual จึงรวมความต่อเนื่องของสัญญาณกับผลกระทบจาก shock ระยะสั้น พารามิเตอร์หลักใน Playground คือ อันดับ AR p เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ อนุกรมเวลาที่ stationary และเรียงตามเวลา · ตัวอย่าง 60–150 แถว เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น พยากรณ์สัญญาณ stationary วิเคราะห์ autocorrelation และเป็นฐานของ ARIMA ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: ค่าสัมประสิทธิ์ fitted values และ forecast · Playground แสดงผลเมื่อปรับ อันดับ AR p พร้อมจำข้อจำกัดสำคัญว่า ต้องจัดการ trend และ seasonality ก่อน และการเลือกลำดับมากเกินไปทำให้ตาม noise

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    อนุกรมเวลาที่ stationary และเรียงตามเวลา ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ p เพื่อจำนวนค่าจริงย้อนหลังในสมการ และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    ตรวจ stationarity และเลือกลำดับ p,q จากนั้น ประมาณน้ำหนักของค่าเก่าและ residual Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    พยากรณ์ล่วงหน้าพร้อมช่วงความไม่แน่นอน ผลที่ได้คือ ค่าสัมประสิทธิ์ fitted values และ forecast ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ p ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ต้องจัดการ trend และ seasonality ก่อน และการเลือกลำดับมากเกินไปทำให้ตาม noise

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · featuresy · targetอนุกรมเวลาที่ stationary และเรียงตามเวลา · ตัวอย่าง 60–150 แถว
CALCULATEARMA
prandom_statevalidation
RESULTnumeric predictionค่าสัมประสิทธิ์ fitted values และ forecast · Playground แสดงผลเมื่อปรับ อันดับ AR p
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

อนุกรมเวลาที่ stationary และเรียงตามเวลา

อนุกรมเวลาที่ stationary และเรียงตามเวลา · ตัวอย่าง 60–150 แถว
PARAMETERS

พารามิเตอร์ที่ใช้

p
จำนวนค่าจริงย้อนหลังในสมการ
random_state
ตรึงการสุ่มเพื่อให้ทดลองซ้ำและเปรียบเทียบได้
validation
เก็บข้อมูลส่วนหนึ่งไว้ตรวจคุณภาพกับตัวอย่างที่ไม่ใช้ฝึก
OUTPUT

ผลลัพธ์ที่ได้

ค่าสัมประสิทธิ์ fitted values และ forecast

ค่าสัมประสิทธิ์ fitted values และ forecast · Playground แสดงผลเมื่อปรับ อันดับ AR p
CALCULATION

คำนวณทีละขั้น

  1. 01

    ตรวจ stationarity และเลือกลำดับ p,q

  2. 02

    ประมาณน้ำหนักของค่าเก่าและ residual

  3. 03

    พยากรณ์ล่วงหน้าพร้อมช่วงความไม่แน่นอน

ควรรู้อีกนิด — ต้องจัดการ trend และ seasonality ก่อน และการเลือกลำดับมากเกินไปทำให้ตาม noise

04Make it yours

Python · statsmodels
# ติดตั้ง: pip install numpy statsmodels# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("arma-sample.csv", delimiter=",", skip_header=1)from statsmodels.tsa.arima.model import ARIMAy = data[:, 1]model = ARIMA(y, order=(2, 0, 2), trend="c").fit()print(model.summary())print("Forecast:", model.forecast(8))

โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด

05Learn by playing

จำนวนค่าเก่าย้อนหลังช่วยติดตามสัญญาณโดยไม่ตาม noise ได้เท่าใด?

ARMA / ภาพกลไกที่พารามิเตอร์ควบคุม● คำนวณใหม่เมื่อปรับค่า
จำนวนค่าจริงย้อนหลังในสมการ
ดูภาพอย่างไร

เส้นทึบคือประวัติ เส้นประคือ forecast จาก AR และ residual lag

เมื่อเพิ่มค่า

เส้นตอบสนองต่อรูปแบบย้อนหลังซับซ้อนขึ้น

ลองเปรียบเทียบ

สังเกต forecast กับ residual ไม่เลือกอันดับจากเส้นที่ตามข้อมูลฝึกที่สุด

ข้อมูลอดีตและค่าที่โมเดลอธิบายforecast →จุดเริ่มอนาคต
One-step forecast RMSE0.367
AR/MA order2
พารามิเตอร์ที่ลอง2

Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ statsmodels จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง