Filtr średniej ruchomej
Ważne
Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.
Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).
- Zobacz informacje dotyczące przenoszenia projektów uczenia maszynowego z programu ML Studio (klasycznego) do Azure Machine Learning.
- Dowiedz się więcej o Azure Machine Learning.
Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.
Tworzy filtr średniej ruchomej używany do wygładzania danych na potrzeby analizy trendów
Kategoria: Przekształcanie/filtrowanie danych
Uwaga
Dotyczy: tylko Machine Learning Studio (wersja klasyczna)
Podobne moduły przeciągania i upuszczania są dostępne w projektancie Azure Machine Learning.
Omówienie modułu
W tym artykule opisano, jak używać modułu Filtr średniej ruchomej w programie Machine Learning Studio (klasycznym), aby obliczyć serię jednostronnych lub dwustronnych średnich dla zestawu danych przy użyciu określonej długości okna.
Po zdefiniowaniu filtru spełniającego twoje potrzeby można zastosować go do wybranych kolumn w zestawie danych, łącząc go z modułem Zastosuj filtr . Moduł wykonuje wszystkie obliczenia i zastępuje wartości w kolumnach liczbowych odpowiadającymi średnimi ruchomymi.
Możesz użyć wynikowej średniej ruchomej do kreślenia i wizualizacji, jako nowej płynnej linii bazowej do modelowania, do obliczania wariancji względem obliczeń dla podobnych okresów itd.
Porada
Musisz filtrować dane z zestawu danych lub usuwać brakujące wartości? Zamiast tego użyj następujących modułów:
- Wyczyść brakujące dane: użyj tego modułu, aby usunąć brakujące wartości lub zastąpić brakujące wartości symbolami zastępczymi.
- Partycja i przykład: użyj tego modułu, aby podzielić lub filtrować zestaw danych według kryteriów, takich jak zakres dat, określona wartość lub wyrażenia regularne.
- Wartości klipu: użyj tego modułu, aby ustawić zakres i zachować tylko wartości w tym zakresie.
Interpretacja i używanie średnich ruchomych
Ten typ średniej ułatwia ujawnianie i prognozowanie przydatnych wzorców czasowych w danych retrospektywnych i danych w czasie rzeczywistym. Najprostszy typ średniej ruchomej rozpoczyna się od pewnej próbki serii i używa średniej tej pozycji oraz poprzednich n pozycji zamiast rzeczywistej wartości. (Możesz zdefiniować n tak, jak chcesz). Dłuższy okres n, w którym jest obliczana średnia, mniejsza wariancja będzie miała się między wartościami. Ponadto, w miarę zwiększania liczby użytych wartości, tym mniejszy wpływ na każdą pojedynczą wartość ma wynikową średnią.
Średnia ruchoma może być jednostronna lub dwustronna. W średniej jednostronnej używane są tylko wartości poprzedzające wartość indeksu. W średniej dwustronnej używane są wartości z przeszłości i przyszłości.
W scenariuszach, w których odczytujesz dane przesyłane strumieniowo, szczególnie przydatne są skumulowane i ważone średnie ruchome. Skumulowana średnia ruchoma uwzględnia punkty poprzedzające bieżący okres.
Podczas obliczania średniej można ważyć wszystkie punkty danych lub zapewnić, że wartości w pobliżu bieżącego punktu danych są ważone mocniej. W średniej ruchomej ważonej wszystkie wagi muszą być sumowane do 1.
W średniej kroczącej wykładniczo średnie składają się z głowy i ogona, które mogą być ważone. Lekko ważony ogon oznacza, że ogon podąża za głową dość blisko, więc średnia zachowuje się jak średnia ruchoma w krótkim okresie ważonym. Gdy wagi ogona są cięższe, średnia zachowuje się bardziej jak dłuższa prosta średnia ruchoma.
Jak skonfigurować filtr średniej ruchomej
Dodaj moduł Moving Average Filter (Średni filtr) do eksperymentu. Ten moduł można znaleźć w obszarze Przekształcanie danych w kategorii Filtr .
W polu Długość wpisz dodatnią wartość liczby całkowitej, która definiuje całkowity rozmiar okna, w którym zastosowano filtr. Jest to również nazywane maską filtru. W przypadku średniej ruchomej długość filtru określa, ile wartości jest uśrednionych w oknie przesuwanym.
Dłuższe filtry są również nazywane filtrami wyższego zamówienia i zapewniają większe okno obliczeń i bliższe przybliżenie linii trendu.
Krótsze lub niższe filtry kolejności używają mniejszego okna obliczeń i bardziej zbliżone do oryginalnych danych.
W polu Typ wybierz typ średniej ruchomej do zastosowania.
program Machine Learning Studio (wersja klasyczna) obsługuje następujące typy obliczeń średniej ruchomej:
Proste: prosta średnia ruchoma (SMA) jest obliczana jako średnia krocząca bez wagi.
Trójkątne: Trójkątne średnie ruchome (TMA) są średnio dwa razy dla bardziej płynnej linii trendu. Słowo trójkątne pochodzi od kształtu wag stosowanych do danych, co podkreśla centralne wartości.
Wykładniczy prosty: wykładnicza średnia ruchoma (EMA) daje większą wagę do najnowszych danych. Waga spada wykładniczo.
Wykładniczo: zmodyfikowana średnia krojąca wykładnicza oblicza średnią ruchomą bieżącą, w której obliczanie średniej ruchomej w dowolnym punkcie uwzględnia wcześniej obliczoną średnią ruchomą we wszystkich poprzednich punktach. Ta metoda daje gładką linię trendu.
Skumulowany: Biorąc pod uwagę pojedynczy punkt i bieżącą średnią ruchomą, skumulowana średnia ruchoma (CMA) oblicza średnią ruchomą w bieżącym punkcie.
Dodaj zestaw danych zawierający wartości, dla których chcesz obliczyć średnią ruchomą, a następnie dodaj moduł Zastosuj filtr .
Połączenie filtru średniej ruchomej do danych wejściowych po lewej stronie zastosuj filtr i połącz zestaw danych z danymi wejściowymi po prawej stronie.
W module Zastosuj filtr użyj selektora kolumn, aby określić kolumny, do których ma zostać zastosowany filtr. Domyślnie transformacja filtru jest stosowana do wszystkich kolumn liczbowych, dlatego należy wykluczyć wszystkie kolumny, które nie mają odpowiednich danych.
Uruchom eksperyment.
Dla każdego zestawu wartości zdefiniowanych przez parametr długości filtru bieżąca (lub indeks) wartość jest zastępowana wartością średniej ruchomej.
Przykłady
Przykłady użycia filtrów w uczeniu maszynowym można znaleźć w tym eksperymencie w galerii sztucznej inteligencji platformy Azure:
- Filtry: ten eksperyment demonstruje wszystkie typy filtrów przy użyciu zaprojektowanego zestawu danych kształtów falowych.
Parametry modułu
| Nazwa | Zakres | Typ | Domyślny | Opis |
|---|---|---|---|---|
| Długość | >=1 | Liczba całkowita | 5 | Ustawianie długości okna średniej ruchomej |
| Typ | Dowolne | MovingAverageType | Określanie typu średniej ruchomej do utworzenia |
Dane wyjściowe
| Nazwa | Typ | Opis |
|---|---|---|
| Filtr | IFilter, interfejs | Implementacja filtru |
Zobacz też
Filtr
Zastosuj filtr
Lista modułów A-Z
Dodatkowe przykłady filtrów