Go thoma modiro o mofsa wa go ithuta ka motšhene go tliša go kitimela ga phišego, gomme e ka ba mo go lekago kudu go tlolela thwii mafelelong a tseneletšego. Go na le dika tše dintši tša moragorago tša maemo a godimo goba di-algorithm tše di raraganego tšeo o ka bago o badile ka tšona. Di holofetša dipoelo tše di bulago tsela, gomme go phema teko ya go di leka gatee-tee ke mošomo o thata.
Rakgwebo ofe goba ofe wa sebjalebjale o fagahletše go leka dithekniki tša maemo a godimo le go bontšha diprotšeke tše di raraganego (le tše di atlegilego) setšhabeng. Lega go le bjalo, phišego ye, gaešita le ge e le e botse, ka dinako tše dingwe e ka tšea nako e kgolo ge o dutše o lokiša di- hyperparameter gabotse gomme o kopana le bothata bja go phethagatša dika tše di raraganego.
Mo tshepedišong ye, go na le potšišo e tee ye kgolo yeo e swanetšego go botšišwa: Ge e le gabotse re ela bjang go šoma gabotse ga mohlala wa rena?
Go hwetša ge e ba go raragana ga mohlala wa rena go lokafaditšwe goba ge e ba tiragatšo e phagame e le ka kgonthe e ka ba tlhohlo. Se se direga ge go se na ntlha ye bonolo ya tšhupetšo. Mo, go ba le mohlala wa motheo go ba bohlokwa kudu. Motheo o fa ntlha yeo ya bohlokwa ya tšhupetšo - e otlologile, e akgofile go aga, ebile ka tlhago e ka hlalošwa. Ka mo go makatšago, gantši mohlala wa motheo, wo o ka tšeago fela 10% ya palomoka ya maitapišo a tlhabollo, o ka fihlelela go fihla go 90% ya tshepedišo ye e nyakegago, wa tšweletša tsela ye e šomago gabotse kudu ya dipoelo tše di kwagalago.
Kgopolo ya go thoma bonolo ga se feela mokgwa wo bonolo go bao ba thomago — ke mokgwa wa motheo wo o dulago o le maleba dikgatong ka moka tša mošomo wa saense ya data. Ke mokgwa wa go thea fase le kgopotšo ye kgolo ya go lekalekanya maikemišetšo a rena a go raragana le dilo tše di šomago tša ditharollo tše di kwagalago, tše di kwešišegago gabonolo le tše di laolegago.
Mohlala wa motheo ke phetolelo ya motheo kudu yeo e šomišwago go rarolla bothata. Ka tlwaelo, dika tše di akaretša linear regression bakeng sa dipoelo tše di tšwelago pele goba logistic regression bakeng sa dipoelo tša magoro. Ka mohlala, khuduego ya mothalo e ka bolela e sa le pele ka dipoelo tša setoko go ya ka datha ya theko ya histori, mola khuduego ya dithulaganyo e ka hlopha bakgopedi ba mokitlana bjalo ka kotsi ye kgolo goba ya fase.
Mokgwa wo o fapana le dika tše di raraganego kudu tša go swana le dinetweke tša ditšhika goba mekgwa ya ensemble, yeo, le ge e le ye maatla, e ka dirago gore go swara bothata go be thata le go oketša nako ye e nyakegago bakeng sa tlhabollo ka lebaka la go raragana ga yona le methopo ye bohlokwa ya khomphutha.
Benchmarking ke kgato ya mathomo ye bohlokwa kudu tlhabollong ya mohlala ofe goba ofe wa ML. Ge o hloma mohlala wa motheo, o hloma metric ya motheo ya tshepedišo yeo dika ka moka tšeo di tlago ka morago (tšeo gantši di raraganego kudu) di swanetšego go di feta go lokafatša go raragana ga tšona le tšhomišo ya methopo. Tshepetšo ye ga se feela tlhahlobo e kgolo ya tlhaologanyo eupša gape e thea ditebelelo tša gago gomme e go nea tekanyo e kwagalago ya tšwelopele.
Go fa mohlala, akanya o hlama mohlala wa go bolelela pele ditshekamelo tša mmaraka wa ditšhelete o šomiša palogare ye bonolo ya go sepela (SMA) bjalo ka motheo. SMA ye e ka šomiša datha ya histori ya nako ye kopana go bolela e sa le pele ka ditheko tša setoko tša ka moso, go fihlelela go nepagala ga mathomo ga 60% ka go bolelela pele metsamao ya mmaraka ka nepagalo. Mohlala wo o gona o beakanya tekanyetšo ya dikai dife goba dife tše di tšwetšego pele tšeo di latelago. Ge e le gore mohlala wo o raraganego, go swana le netiweke ya Memory ya Nako ye Kopana (LSTM), ka morago o hlamilwe gomme o fihlelela go nepagala ga 65%, koketšego ya tshepedišo e ka lekantšhwa gabotse kgahlanong le motheo wa mathomo wa 60%.
Papiso ye e bohlokwa kudu go bona ge e ba kaonafatšo ya 5% ya go nepagala e lokafatša go raragana ga tlaleletšo le dinyakwa tša khomphutha tša LSTM. Ka ntle le motheo wa go swana le wo, go tšea diphetho tše di nago le tsebo mabapi le go lekalekanywa le tirišo ye e šomago ya dika tše di raraganego kudu e ba tlhohlo.
Mokgwa wo wa go lekanyetša o netefatša gore dikaonafatšo tša go raragana ga mohlala di a lokafatšwa gomme di tla feletša ka dikaonafatšo tša nnete, ka moka mola di dira gore tshepedišo ya tlhabollo e sepelelane le dipoelo tše di šomago gabotse.
Go latela mokgwa wo o sa bitšego kudu ka go ML ke senotlelo. Kudu-kudu ge o ikemišeditše pakane ya go dumelelanya ditshepedišo tša gago le melao ya motheo yeo e beago bohlokwa bjo bogolo mola o fokotša ditlakala e le selo sa pele. Ge o thoma ka mohlala wa motheo, o fokotša methopo le nako ye e nyakegago bakeng sa tlhabollo ya mathomo ya mohlala le go dira diteko. Se se ra gore go dira prototype ka pela – gomme seo se bohlokwa bakeng sa ditshwaotshwao tša ka pela le dikaonafatšo tša go ipoeletša.
Ka motheo wo, go raragana le ge e le gofe mo o go oketšago bjale go ka hlahlobja ka kelohloko.
Ka mohlala, ge e ba o nyaka go dira phetogo go algorithm e raraganego kudu go swana le vector autoregression (VAR) gomme o hwetša gore e oketša feela ka mo go sa felego go nepagala ga ponelopele, o swanetše go nagana gape ge e ba kaonefatšo ye e nyenyane e tloga e lokafatša dinyakwa tša tlaleletšo tša khomphutha le go raragana. Karabo e ka ba aowa. Ke moka mohlala o bonolo o dula e le kgetho yeo e nago le ditshenyagalelo tše di atlegago kudu.
Ka go tsepelela go go šoma gabotse ga ditshenyagalelo, o netefatša gore methopo e šomišwa ka bokgoni le go fihlelela se se fetago dikaonafatšo tša sethekniki fela. Gape, e tliša ditharollo tše di šomago, tša boleng bjo bo okeditšwego tšeo di lokafaditšwego go ya ka kaonafatšo ya tshepedišo le kabo ya methopo. Ka tsela ye, peeletšo ye nngwe le ye nngwe ka go raragana ga mohlala e a netefatšwa, yeo e tsenyago letsogo go dinepo tša kakaretšo tša protšeke ntle le ditshenyegelo tšeo di lego ka ntle ga tekanyo.
Mafapheng a go swana le ditšhelete moo diphetho di swanetšego go kgomarela maemo a taolo a tiilego, go ba pepeneneng ga dika ga se mohola wa kgwebo fela. Ke mokgwa wa maano wo o thušago kudu mo tshepedišong ya go fihlelela melawana le go nolofatša kgokagano ye bonolo le bakgathatema bao ba ka bago ba se na setlogo sa sethekniki (se se tseneletšego).
A re tšeeng mohlala wa rena wa SMA. E hlathollwa gabonolo ka gobane ditšweletšwa tša yona di amana thwii le datha ya tsenyo. Se se dira gore go be bonolo go hlaloša ka fao tsenyo ye nngwe le ye nngwe e tutuetšago sephetho seo se boletšwego e sa le pele. Ge diphetho tšeo di theilwego godimo ga dipolelelopele tša mohlala di swanetše go lokafatšwa go balaodi ba ka ntle goba ka gare go maloko a sehlopha seo e sego sa sethekniki, bonolo bjo ke senotlelo sa ditshepedišo tša gago.
Ge e ba sephetho seo se theilwego godimo ga dipolelelopele tša mohlala wa SMA se belaelwa, go ba pepeneneng ga mohlala go dumelela tlhalošo ya ka pela le ye bonolo ya tlhaologanyo yeo e lego ka morago ga mošomo wa yona. Se se ka thuša ka ditshekatsheko tša taolo le ditlhahlobo le go kaonafatša go bota le go amogelwa gare ga badiriši le batšea diphetho. Go feta fao, ge go raragana ga mohlala go oketšega, mohlala go hudugela go dialgoritmo tše di raraganego kudu tša go swana le dika tša ARIMA goba VAR bakeng sa dipolelelopele tše di nago le mahlakore a mantši, go hlathollwa ga motheo wa mathomo wa SMA e ba tekanyetšo ya gore ke maemo afe a tlhalošo yeo o swanetšego go e tšweletša.
Ka go šomiša di-regressor tša go swana le dintlha tša bohlokwa bja tšobotsi goba dikelo tša SHAP tšeo di kopantšwego le dika tše di raraganego kudu, tšwelopele ya tshepedišo efe goba efe ye nngwe ya mohlala e dula e le pepeneneng. Se se thuša morero wa tshepedišo ya polokego gore e se lahlwe bakeng sa dikai tše di tšwetšego pele kudu. Ntlha ya mohlala wo bonolo wa motheo ke go phethagatša ka mehla seemo sa gore sebopego ka kakaretšo le bohlokwa di tla bolokwa le ge maemo a go raragana a oketšega. Se se netefatša dipeakanyetšo tša kobamelo le dikgokagano tšeo di tlago šoma gabotse.
Taolo ya kotsi ke karolo ye nngwe ye bohlokwa ya go hlama dika tša go ithuta ka motšhene, kudukudu ka mafapheng a go swana le ditšhelete moo dipolelelopele tše di nepagetšego le tše di ka botwago di nago le khuetšo go tšeeng diphetho. Go ba le mohlala wo bonolo wa motheo ke leano le legolo la go laola dikotsi tše.
Motheo wo o otlologilego o fa ntlha ya mathomo ye e kwešišegago, yeo e go dumelelago go oketša ganyenyane-ganyenyane (le ka polokego) dikaonafatšo go go raragana ga mohlala.
Ka mohlala, mohlala wa SMA (mola e le wa motheo) o dira motheo o tiilego wa go hwetša dipaterone tša motheo le diphapano tšeo di ka bago gona ka go metsamao ya theko ya setoko. Go e šomiša go thuša go šupa maswao a mathomo a go fetofetoga goba boitshwaro bjo bo sa tlwaelegago bja mmaraka. Go dira seo go bohlokwa kudu, go phema dikotsi tše dikgolo tša tša ditšhelete pele o tsenya di-algorithm tše di raraganego kudu tša go bolela e sa le pele.
Go feta moo, go diriša mohlala wa motheo go fokotša kotsi ya go swanela ka mo go feteletšego. Ke molaba o tlwaelegilego wa go dira mohlala wa ditšhelete. Go lokela ka mo go feteletšego go direga ge mohlala o beakantšwe gabotse kudu go ya ka datha ya histori gomme o swara lešata go e na le mokgwa wa motheo. Ka lebaka la se, o ka hwetša dipolelelopele tše di arošago gomme wa hwetša maano a kgwebo ao a sa tshepagalego ka lebaka leo. Mohlala o bonolo wo o nago le ditekanyetšo tše mmalwa ga o sekame kudu tabeng ye, o kgonthišetša gore dipolelelopele tšeo o di neago ka kakaretšo di šoma go ya data yeo e sa bonwego.
Go raragana mo go oketšegago ge SMA e tšwela pele mohlaleng wa palogare ye nnyane ye e sepelago go swana le ARIMA le VAR e thoma go raragana kudu, sebopego se bonolo sa SMA se ka re thuša ka mokgwa wa go ela hloko go šoma gabotse ga go raragana mo gongwe le mo gongwe mo go okeditšwego. Kaonafatšo ye ya kgato ka dikgato ya go raragana e thuša go boloka taolo ya tshepedišo ya mohlala, go netefatša gore legato le lengwe le le lengwe la tlaleletšo la go raragana le fa mohola wo o kwagalago gomme ga le tliše kotsi ye e sa nyakegego.
Mokgwa wo wa thulaganyo wa go oketša go raragana ga mohlala o thuša go kwešiša ka fao diphetogo tša mohlala di amago boitshwaro bja wona le go botega. E bile e netefatša gore dikotsi di laolwa gabotse ka mehla. Ge o thoma ka motheo wo bonolo gomme o laola ka kelohloko kgato ye nngwe le ye nngwe ya tlhabollo, o netefatša gore dika tša ponelopele di dula di le maatla ebile di bolokegile, di thekga go tšea diphetho tša ditšhelete.
Go kgetha mohlala wa motheo wo o loketšego kudu, o swanetše go kwešiša bothata bja kgwebo le dimelo tša datha. Go fa mohlala, dipolelelopele tša lelokelelo la nako tša mebaraka ya ditšhelete di ka thoma ka mohlala wa ARIMA bjalo ka motheo wa go swara diphetogo tša nako ka tsela ye bonolo. Boleng bja datha le tshepedišo ya pele le tšona di kgatha tema ye bohlokwa; esita le mohlala o bonolo ka ho fetisisa ka sebetsa hampe haeba fepa sa lekaneng kapa hampe preprocessed ya data.
Gomme sa mafelelo, go tseba gore o swanetše go fetoga neng go tšwa go motheo go ya go mohlala wo o raraganego kudu go bohlokwa. Sephetho se se swanetše go hlahlwa ke diteko tša go oketšega le netefatšo, go sepelelana le mokgwa wa go ipoeletša wa Agile.
Go thoma diprotšeke tša gago tša go ithuta ka motšhene ka go tsebagatša mohlala wo bonolo wa motheo ga se kgato ya mathomo fela. Ke leano. Leano leo le sepelelanago le mekgwa ya Agile yeo e kgothaletšago bokgoni, go šoma gabotse, le go fetofetoga le maemo. Go batamela porojeke ya gago ka tsela ye go ka godiša kudu dipoelo tša protšeke ka go netefatša gore koketšego ye nngwe le ye nngwe ya go raragana e a lokafatšwa ebile e oketša boleng bjo bo bonagalago. Go amogela go ba bonolo ke selo se matla. Ke leano le legolo kudukudu ka mafapheng a go swana le ditšhelete moo diphetho di swanetšego go ba ka lebelo.