論文の概要: Explainable boosted linear regression for time series forecasting

• arxiv url: http://arxiv.org/abs/2009.09110v1
• Date: Fri, 18 Sep 2020 22:31:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 02:32:58.056260
• Title: Explainable boosted linear regression for time series forecasting
• Title（参考訳）: 時系列予測のための説明可能ブースト線形回帰
• Authors: Igor Ilic and Berk Gorgulu and Mucahit Cevik and Mustafa Gokce Baydogan
• Abstract要約: 時系列予測では、過去の観測を収集し分析し、将来の観測を外挿するモデルを開発する。 時系列予測のための説明可能な強化線形回帰(EBLR)アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.1876920697241348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting involves collecting and analyzing past observations to develop a model to extrapolate such observations into the future. Forecasting of future events is important in many fields to support decision making as it contributes to reducing the future uncertainty. We propose explainable boosted linear regression (EBLR) algorithm for time series forecasting, which is an iterative method that starts with a base model, and explains the model's errors through regression trees. At each iteration, the path leading to highest error is added as a new variable to the base model. In this regard, our approach can be considered as an improvement over general time series models since it enables incorporating nonlinear features by residuals explanation. More importantly, use of the single rule that contributes to the error most allows for interpretable results. The proposed approach extends to probabilistic forecasting through generating prediction intervals based on the empirical error distribution. We conduct a detailed numerical study with EBLR and compare against various other approaches. We observe that EBLR substantially improves the base model performance through extracted features, and provide a comparable performance to other well established approaches. The interpretability of the model predictions and high predictive accuracy of EBLR makes it a promising method for time series forecasting.
• Abstract（参考訳）: 時系列予測では、過去の観測を収集し分析し、将来の観測を外挿するモデルを開発する。 将来の出来事の予測は、将来の不確実性を減らすのに寄与するため、意思決定をサポートする多くの分野において重要である。 本稿では,ベースモデルから始まる反復的手法である時系列予測のための説明可能な強化線形回帰(EBLR)アルゴリズムを提案し,回帰木を用いてモデルの誤差を説明する。 各イテレーションでは、最高のエラーにつながるパスがベースモデルに新しい変数として追加されます。 この観点からは、残差説明による非線形特徴を取り入れることができるので、一般的な時系列モデルよりも改善できると考えることができる。 さらに重要なことに、エラーに最も寄与する単一のルールを使用することで、解釈可能な結果が得られます。 提案手法は,経験的誤差分布に基づく予測間隔の生成を通じて確率的予測に拡張する。 EBLRを用いて詳細な数値計算を行い、他の様々な手法と比較する。 EBLRは抽出された特徴によってベースモデルの性能を大幅に改善し、他のよく確立された手法と同等の性能を提供する。 モデル予測の解釈可能性とEBLRの高い予測精度は時系列予測に有望な方法である。

関連論文リスト

• Lifted Coefficient of Determination: Fast model-free prediction intervals and likelihood-free model comparison [0.0]
  予測値と観測値の相関が大きくなるにつれて、モデルフリーな予測間隔がより強くなる。 これらの区間は、任意の損失関数のモデル比較基準である決定の$textitLifted係数を動機付けている。 予測区間をより一般的な誤差分布に拡張し、回帰のための高速モデルフリーな外乱検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-11T16:27:31Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Time varying regression with hidden linear dynamics [74.9914602730208]
  線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。 反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
  論文  参考訳（メタデータ） (2021-12-29T23:37:06Z)
• Improved prediction rule ensembling through model-based data generation [0.0]
  予測規則アンサンブル(PRE)は比較的高い精度で解釈可能な予測モデルを提供する。 ブーストされた)決定木アンサンブルから多数の決定ルールを求め、ラッソペナル化回帰のスパーススルー適用を実現する。 本稿では,大容量データセットの助けを借りてLasso回帰を訓練するPrepreの性能向上のための代理モデルの利用について検討する。
  論文  参考訳（メタデータ） (2021-09-28T12:44:10Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Remaining Useful Life Estimation Under Uncertainty with Causal GraphNets [0.0]
  時系列モデルの構築とトレーニングのための新しいアプローチを提案する。 提案手法は,非定常時系列の予測モデル構築に適している。
  論文  参考訳（メタデータ） (2020-11-23T21:28:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。