Пошаговое описание разложения эмпирической моды, помогающее извлекать закономерности из временных рядов.
Делиться
Испытываете ли вы трудности с анализом временных рядов как специалист по работе с данными?
Задумывались ли вы когда-нибудь о том, может ли обработка сигналов облегчить вам жизнь?
Если да — оставайтесь со мной. Эта статья для вас. 🙂
Работа с реальными временными рядами может быть… мучительной. Финансовые кривые, ЭКГ, нейронные сигналы: они часто выглядят как хаотичные всплески без какой-либо структуры.
Работа с реальными временными рядами может быть… мучительной. Финансовые кривые, ЭКГ, нейронные сигналы: они часто выглядят как хаотичные всплески без какой-либо структуры.
Работа с реальными временными рядами может быть… мучительной. Финансовые кривые, ЭКГ, нейронные сигналы: они часто выглядят как хаотичные всплески без какой-либо структуры.
В науке о данных мы склонны полагаться на классическую статистическую предобработку: сезонную декомпозицию, детрендирование, сглаживание, скользящие средние… Эти методы полезны, но они основаны на сильных допущениях, которые редко бывают верны на практике. И если эти допущения не оправдываются, ваша модель машинного обучения может работать неэффективно или не обобщать данные.
Сегодня мы рассмотрим семейство методов, которые редко преподаются на курсах по науке о данных, однако они могут полностью изменить ваш подход к работе с временными данными.
Источник: towardsdatascience.com
