Pronóstico práctico de series temporales monótonas con XGBoost, usando Python |  de Piero Paialunga |  marzo de 2024

Así es como usar XGBoost en un escenario de pronóstico, de la teoría a la práctica

Imagen realizada por el autor utilizando DALL·E-3

Hace un par de meses, estaba en un proyecto de investigación y tenía un problema que resolver relacionado con series temporales.

El problema era bastante sencillo:

“A partir de esta serie temporal con t pasos de tiempopredice el próximo k valores

Para los entusiastas del aprendizaje automático, esto es como escribir “Hola mundo”, ya que este problema es muy conocido en la comunidad con el nombre “pronóstico”.

La comunidad de Machine Learning desarrolló muchas técnicas que pueden usarse para predecir los siguientes valores de una serie temporal. Algunos métodos tradicionales implican algoritmos como ARIMA/SARIMA o Análisis de la transformada de Fouriery otros algoritmos más complejos son los Redes neuronales convolucionales/recurrentes o los súper famosos”Transformador”uno (la T en ChatGPT significa transformadores).

Si bien el problema de la previsión es muy conocido, quizás sea menos raro abordarlo. con limitaciones.
Déjame explicarte lo que quiero decir.

Tienes una serie temporal con un conjunto de parámetros. X y el paso del tiempo t.
El estándar previsión del tiempo…