Käytän liikkuvaa keskimääräistä suodatinta tasoittamaan dataa ulospäin poistettavaksi muuttamalla keskimääräisten pisteiden lukumäärää, saan erilaista tulosta. Omat tiedot ovat moniulotteisia ominaisuusvektoreita. Sovellin liikkuvan keskiarvon koko matriisiin ja sitten yksittäisiin muuttujiin. Te antavat erilaisia tuloksia. Joten, miten valita arvata pistemäärä keskimäärin, ja se olisi sovellettava koko matriisin tai yksi kerrallaan basis. asked 1 marraskuu 13 21 44.Glenb 163k 20 274 557. Yksi lähestymistapa tasoitusparametrin valitsemiseksi olisi optimoida yhden askeleen etenevän ennustevirheen, kuten yhden askeleen etenevän ennustevirheen neliöiden summat Jos yrität löytää yliluonnolliset arvot, kannattaa toisin ennustaa virhe - yksi kohtuullisen vahva yliluonnollisiksi ja sitten liukuvat keskiarvot näyttäisivät outoa valinnanvaraa - miksi ei jotain vakaampi outliers Glenb 2. marraskuuta 13 klo 1. 11.Jopa molemmat. Kaikki kuitenkin. Uskon, että tämä on toinen yritys, vaikkakin fiksu automatisoimaan mitä voi t todella olla aut hylätty Tietenkin eri menetelmät antavat erilaisia tuloksia Ainoa kertaa, jolloin he eivät olisi, jos outlier on niin ilmeinen, että et tarvitse testia. My ehdotus on käyttää erilaisia menetelmiä tunnistaa mahdolliset outliers, sitten tutkia nämä outliers yksilö Olen työskennellyt suurella määrällä aikasarjoja Nämä aikasarjat ovat pohjimmiltaan verkon mittaukset tulevat 10 minuutin välein, ja jotkut niistä ovat jaksoittaisia eli kaistanleveyttä, kun taas jotkut muut aren tie määrä reititys traffic. I haluaisin yksinkertainen algoritmi online-outlier-havainnoinnin tekemiseksi Pohjimmiltaan haluan pitää muistissa tai levyssä koko historiatiedot kustakin aikasarjasta ja haluan havaita kaiken outlierin elävän skenaarion joka kerta, kun uusi näyte on kuvattu Mikä on paras tapa Näiden tulosten saavuttamiseksi. Käytän tällä hetkellä liikkumatonta keskiarvoa melun poistamiseksi, mutta sitten mitä seuraavia yksinkertaisia asioita, kuten standardipoikkeamaa, hullua koko datajoukkoa vastaan, ei toimi hyvin. e aikasarjat ovat paikallaan, ja haluan jotain tarkempaa, mieluummin mustan laatikon kaltaista. Joten vektori on kaksinkertainen taulukko, joka sisältää historiatiedot ja palautusarvo on uuden näytteen arvon anomalyysi. at 18 03.I ehdottaa alla olevaa ohjelmaa, joka pitäisi olla toteutettavissa päivässä tai niin. Kokoa niin monta näytettä kuin voit säilyttää muistiin. Vaihda ilmeiset outliers käyttäen standardipoikkeama kunkin attribuutin. Kalota ja tallenna korrelaatiomatriisi ja myös kunkin attribuutin keskiarvo. Laske ja tallenna kaikki näytteesi Mahalanobis-etäisyydet. Laske yliluonnollinen arvo. Yksinkertaisesta otoksesta, josta haluat tietää sen outlierness. Retrieve keinot, kovarianssimatriisi ja Mahalanobis etäisyys s koulutuksesta. Laske Mahalanobis-etäisyys d. Ottakaa prosenttiluku, jossa d laskee käyttäen Mahalanobis-etäisyyksiä harjoittelusta. Tämä on outlier pisteytesi 100 on äärimmäinen outlier. PS Laskettaessa Mahalanobis dista nce käyttää korrelaatiomatriisia, ei kovarianssimatriisia. Tämä on vankempi, jos näytteen mittaukset vaihtelevat yksikössä ja numerossa. Automaattinen Outlier-ilmaisu Blessing tai Curse. Yksi haastavista kysymyksistä, joita kysyntä suunnittelija kysyy koulutustöissämme, on se, miksi heidän ohjelmistonsa tuottavat tasainen ennuste 90 kertaa Kallis ohjelmisto, joka otti armeijan ja muutaman vuoden toteuttaa tyypillisesti ehdotti jatkuvan mallin tai liikkuvan keskimäärän mallin Tämä johti tasainen ennuste. Vaikka paljaalla silmällä voidaan graafisesti nähdä, jos kaavioita on saatavilla käyttäjä hieno kausivaihtelu, asiantuntija valinta ohjelmisto tuotti jatkuva ennuste ikuisuuteen on olemassa monia temppuja taustalla tämän lopputuloksen jotkut niistä tunnetaan ja jotkut niistä piilotettu. Yksi syyllisiä on outlier havaitsemisprosessi Ohjelmisto voi havaita älykkäästi outliers tietylle asetukselle ja outlier tunnistusmenetelmä Tyypillisesti käytät K-kerrointa kehittämään toleranssisarjoja ex-post factorin ympärille tunnistaa outliers Mitkä ovat K-tekijät ja miten hyödyntää K-tekijän asetuksia tuottamaan hyviä ennusteita malleja. Olemme havainneet monissa tapauksissa, ihmiset käyttävät alhaisia k-tekijöitä, jotka sitten heittävät kaikki kausiluonteiset huiput ja kourut Alhainen k-kerroin on erittäin valppaava Se ei salli mitään mallia päästä ulos mallinnusmoottoriin Kaikki moottori näkee on vain klusterin muutamia datapisteitä, jotka ovat läheisesti hajallaan ex post-ennustuksen tai vain historiallisen keskiarvon. Katso alla oleva kuva. K-kerroin 1 eliminoi kaikki kysyntäprofiilissa näkyvät mallit. Se vain pitää murto-osan alkuperäisestä datasarjasta, joka kaikki korostaa historiallista keskiarvoa voimakkaasti tarkana ennusteena. Tällä ei ole mitään tekemistä tilastollisen moottorin voiman kanssa ohjelmistoon. Kolmipäiväisen työpajaamme keskustelemme automaattisen outlier-havaitsemisen vaarasta ja osallistujat käyvät käytännön harjoituksen avulla, joka antaa paremman näkyvyyden koko outlier-tunnistusprosessille. Selitän ominaisuudet SAP APO Demand - suunnittelumoduulin alla tämän vaarallisen prosessin läpi. 3. päivä on kaikki SAP APO, jossa on käytännönläheinen koulutus ohjelmistoalustalla. Osallistujat syyskuussa 2011 pystyivät suorittamaan mallin ja parametrin suoraan muutoksia heidän live-ennusteisiinsa työpajaan. Katso lisätietoja työpajasta Ota yhteyttä minuun, jos sinulla on enemmän kysymyksiä tai haluat keskustella Outlierin havaitsemisprosessista APO DP: ssä.
No comments:
Post a Comment