Привет! В приведенном примере рассчитывать на экстраполяцию точно не стоит.
Оценивать изменения через поиск аномалий хорошая идея и в проде применять удобно, спасибо. На этапе обучения, когда все данные доступны, может быть проще воспользоваться описанными методами, также они могут дать больше информации о смещении.
Привет! Спасибо за дополнение. Действительно, можно взять данные из непрерывного отрезка, например из начала. На практике, без дополнительных вводных, я бы так делать не стал. Лучше использовать самые поздние данные из конца выборки, так как они больше похожи на текущие данные в проде(это стоит проверить) и это соответствует сценарию применения модели.
В приведенном простом примере действительно хватит авторегрессионной модели, но чаще используют бустинг. Показать на его примере, я считаю, полезнее. Все-таки смещение возникает в самых разных задачах, а данная задача выбрана из-за наглядности.
Привет! В приведенном примере рассчитывать на экстраполяцию точно не стоит.
Оценивать изменения через поиск аномалий хорошая идея и в проде применять удобно, спасибо. На этапе обучения, когда все данные доступны, может быть проще воспользоваться описанными методами, также они могут дать больше информации о смещении.
Привет! Спасибо за дополнение. Действительно, можно взять данные из непрерывного отрезка, например из начала. На практике, без дополнительных вводных, я бы так делать не стал. Лучше использовать самые поздние данные из конца выборки, так как они больше похожи на текущие данные в проде(это стоит проверить) и это соответствует сценарию применения модели.
В приведенном простом примере действительно хватит авторегрессионной модели, но чаще используют бустинг. Показать на его примере, я считаю, полезнее. Все-таки смещение возникает в самых разных задачах, а данная задача выбрана из-за наглядности.