Las columnas de retraso pueden mejorar significativamente el rendimiento de su modelo. Así es como puedes usarlos a tu favor
La naturaleza de un modelo de series de tiempo es tal que los valores pasados a menudo afectan los valores futuros. Cuando hay algún tipo de estacionalidad en sus datos (en otras palabras, sus datos siguen un ciclo horario, diario, semanal, mensual o anual) esta relación es aún más fuerte.
La captura de esta relación se puede realizar con funciones como hora, día de la semana, mes, etc., pero también puede agregar retrasos, lo que puede llevar rápidamente su modelo al siguiente nivel.
A valor de retraso es simplemente esto: un valor que en un momento u otro precedió a su valor actual.
Supongamos que tiene un conjunto de datos de series temporales que tiene los siguientes valores: [5,10,15,20,25].
25, que es su valor más reciente, es el valor en el momento t.
20 es el valor en t-1. 15 es el valor en t-2, y así sucesivamente, hasta el comienzo del conjunto de datos.
Esto tiene sentido intuitivo, ya que la palabra “retraso” insinúa que algo está “rezagado” con respecto a otra cosa.
Cuando entrenamos un modelo usando características de retraso, podemos entrenarlo para reconocer patrones con respecto a cómo…