エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
時系列予測モデルの実践論5 - NRI Data Science BLOG
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
時系列予測モデルの実践論5 - NRI Data Science BLOG
時系列のクラスタリングとアンサンブル 鈴木雄大, 池野心平, サトヤキ・ロイ こんにちは、NRIの時系列予... 時系列のクラスタリングとアンサンブル 鈴木雄大, 池野心平, サトヤキ・ロイ こんにちは、NRIの時系列予測チームの鈴木です。 第4弾までの記事で、iterativeモデルとglobalモデルを導入し、それぞれ優れた点があることを紹介しました。 今回は第5弾として、時系列データをクラスタリングによって分類し、アンサンブルに活かす方法をご紹介します。 1. 同じデータセットでも、生データを見ていくと分割して扱いたくなる walmartコンペティションデータWalmartコンペティションの学習データから、50事例ほどランダムにピックアップしてきました。同一のデータセットに含まれるデータですが、明らかにIdによって特徴がバラバラです。 第2弾で見たように、各種iterativeモデルは系列IDによって適合性が大きくブレます(e.g. 短期間のトレンドに依存しすぎて折り返されたときに外す、ハズレ値