Dlaczego analiza szeregów czasowych nie jest uważana za algorytm uczenia maszynowego

Dlaczego analiza szeregów czasowych nie jest uważana za algorytm uczenia maszynowego (w przeciwieństwie do regresji liniowej).

Zarówno regresja, jak i analiza szeregów czasowych są metodami prognozowania. Dlaczego więc jeden z nich jest uważany za algorytm uczenia się, a drugi nie?

Jak zauważa dsaxton , „analiza szeregów czasowych” nie jest ani algorytmem, ani metodą prognozowania. To dziedzina nauki . Ponadto wiele analiz szeregów czasowych nie dotyczy nawet prognozowania, a jedynie zrozumienia przeszłej dynamiki szeregów czasowych (np. Wykrywanie zmiany punktu).

Specyficzne techniki analizy szeregów czasowych odpowiednie do prognozowania , takie jak modele ARIMA lub Wygładzanie wykładnicze, można z pewnością nazwać „algorytmami uczenia się” i uznać za część uczenia maszynowego (ML), tak jak w przypadku regresji. Po prostu rzadko są.

Powiedziałbym, że odzwierciedla to to, że analiza szeregów czasowych była już bardzo dobrze ustalona i opracowała swój własny język przed pojawieniem się ML, więc niewielu analityków szeregów czasowych pomyśli o tym, co robią jako uczenie maszynowe (tak jak niewielu statystów pomyśli regresji jako ML - to społeczność ML klasyfikuje ustalone metody w nomenklaturze ML).

I odwrotnie, społeczność ML naprawdę niewiele robi z szeregami czasowymi per se, a „klasyczne” algorytmy ML, takie jak sieci neuronowe, naprawdę nie odniosły nadmiernego sukcesu w sensie wyraźnie przewyższającego klasyczne algorytmy szeregów czasowych w prognozowaniu. Jeśli modelujesz swoją dynamikę czasu w algorytmie ML, jesteś już dość blisko modelu ARIMA, ale jeśli tego nie zrobisz, naprawdę brakuje Ci struktury, która pomogłaby w prognozowaniu.