Фильтр скользящего среднего
Важно!
Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.
Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.
- См. сведения о перемещении проектов машинного обучения из ML Studio (классической) в Машинное обучение Azure.
- См. дополнительные сведения о Машинном обучении Azure.
Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.
Создает фильтр скользящего среднего, используемый для сглаживания данных при анализе тенденций.
Категория: преобразование данных / фильтр
Примечание
Область применения: только Машинное обучение Studio (классическая версия)
Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.
Обзор модуля
В этой статье описывается, как использовать модуль фильтра скользящего среднего в Машинное обучение Studio (классическая модель), чтобы вычислить ряд односторонним или двухсторонним средними значениями по набору данных, используя указанную длину окна.
После определения фильтра, соответствующего вашим потребностям, его можно применить к выбранным столбцам в наборе данных, подключив его к модулю Apply Filter . Модуль выполняет все вычисления и заменяет значения в числовых столбцах соответствующими скользящими средними значениями.
Полученное скользящее среднее можно использовать для построения графиков и визуализации, в качестве новой гладкой опорной линии для моделирования, для вычисления отклонений относительно результатов вычислений за одинаковые периоды и т. д.
Совет
Необходимо отфильтровать данные из набора данных или удалить отсутствующие значения? Вместо этого используйте следующие модули:
- Очистка отсутствующих данных: используйте этот модуль для удаления отсутствующих значений или замены отсутствующих значений заполнителями.
- Раздел и пример. Используйте этот модуль для разделения или фильтрации набора данных по таким критериям, как диапазон дат, определенное значение или регулярные выражения.
- Значения клипа. Используйте этот модуль для задания диапазона и сохранения только значений в этом диапазоне.
Основные сведения и использование скользящих средних
Этот тип среднего помогает выявлять и прогнозировать полезные временные структуры в ретроспективных и текущих данных. Простейший тип скользящего среднего получается путем вычисления среднего значения какого либо образца ряда и предыдущих n образцов, а не фактического значения. (Вы можете определить n, как вам нравится.) Чем дольше период n, в течение которого вычисляется среднее значение, тем меньше дисперсии между значениями. Кроме того, при увеличении числа используемых значений уменьшается влияние отдельного значения на итоговое среднее.
Скользящее среднее может быть односторонним или двусторонним. Для получения одностороннего среднего используются только значения перед значением индекса. Для получения двустороннего среднего используются значения, относящиеся как к прошлому, так и к будущему.
В сценариях чтения потоковых данных особенно полезны совокупное и взвешенное скользящие средние. При вычислении совокупного скользящего среднего учитываются точки, предшествующие текущему периоду.
При вычислении среднего можно назначить одинаковый вес всем точкам данных или больший вес значениям, находящимся ближе к текущей точке данных. При вычислении взвешенного скользящего среднего сумма всех весов должна быть равна 1.
Экспоненциальное скользящее среднее состоит из головы и хвоста, которому можно назначить вес. Если у хвоста небольшой вес, это значит, что он находится достаточно близко к хвосту, поэтому среднее ведет себя как скользящее среднее с коротким периодом взвешивания. Если хвост более тяжелый, среднее ведет себя как простое скользящее среднее с более длительным периодом.
Настройка фильтра скользящего среднего
Добавьте модуль фильтра скользящего среднего в эксперимент. Этот модуль можно найти в разделе "Преобразование данных" в категории "Фильтр ".
В поле Length введите положительное целое число, определяющее общий размер окна, в котором применяется фильтр. Это также называется маской фильтра. Для скользящего среднего длина фильтра определяет, сколько значений усреднено в скользящем окне.
Более длинные фильтры также называются фильтрами более высокого порядка и предоставляют более крупное окно вычислений и более близкое приближение линии тренда.
В более коротких или нижних фильтрах используется меньшее окно вычислений и более точное сходство с исходными данными.
В поле "Тип" выберите тип скользящего среднего для применения.
Машинное обучение Studio (классическая модель) поддерживает следующие типы скользящих средних вычислений:
Простой: простое скользящее среднее (SMA) вычисляется как невзвешенный скользящий средний.
Треугольный: треугольные скользящие средние (TMA) в среднем в два раза для более гладкой линии тренда. Слово треугольное является производным от формы весов, применяемых к данным, что подчеркивает центральные значения.
Экспоненциальное простое. Экспоненциальное скользящее среднее (EMA) дает больше веса последним данным. Взвешивание снижается экспоненциально.
Экспоненциальная. Измененная экспоненциальная скользящая средняя вычисляет выполняемую скользящую среднюю, где вычисление скользящего среднего в любой точке учитывает ранее вычисляемое скользящее среднее во всех предыдущих точках. Этот метод дает более гладкую линию тренда.
Совокупный: учитывая одну точку и текущую скользящую среднюю, совокупная скользящая средняя (CMA) вычисляет скользящее среднее в текущей точке.
Добавьте набор данных со значениями, для которого требуется вычислить скользящее среднее значение, и добавьте модуль "Применить фильтр ".
Подключение фильтр скользящего среднего к левому входу примененного фильтра и подключите набор данных к правому входу.
В модуле "Применить фильтр " используйте селектор столбцов, чтобы указать столбцы, к которым должен применяться фильтр. По умолчанию преобразование фильтра применяется ко всем числовым столбцам, поэтому не забудьте исключить все столбцы, у которых нет соответствующих данных.
Запустите эксперимент.
Для каждого набора значений, определенных параметром длины фильтра, текущее значение (или индекс) заменяется скользящей средней.
Примеры
Примеры использования фильтров в машинном обучении см. в этом эксперименте в коллекции ИИ Azure:
- Фильтры. В этом эксперименте показаны все типы фильтров с помощью спроектированного набора данных волнообразной формы.
Параметры модуля
| Имя | Диапазон | Тип | По умолчанию | Описание |
|---|---|---|---|---|
| Длина | >=1 | Целочисленный тип | 5 | Задайте длину окна скользящего среднего |
| Тип | Любой | MovingAverageType | Укажите тип для создания скользящего среднего |
Выходные данные
| Имя | Тип | Description |
|---|---|---|
| Filter | Интерфейс IFilter | Реализация фильтра |
См. также раздел
Фильтр
Применение фильтра
Список модулей в алфавитном порядке
Дополнительные примеры фильтров