Dela via

Filter för glidande medelvärde

  • Artikel

Viktigt

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Skapar ett filter för glidande medelvärde som används för att jämna ut data för trendanalys

Kategori: Datatransformering/filter

Anteckning

Gäller endast för: Machine Learning Studio (klassisk)

Liknande dra och släpp-moduler finns i Azure Machine Learning designer.

Modulöversikt

I den här artikeln beskrivs hur du använder modulen Filter för glidande medelvärde i Machine Learning Studio (klassisk) för att beräkna en serie med ensidiga eller tvåsidiga medelvärden över en datauppsättning, med hjälp av en fönsterlängd som du anger.

När du har definierat ett filter som uppfyller dina behov kan du tillämpa det på valda kolumner i en datauppsättning genom att ansluta det till modulen Tillämpa filter . Modulen utför alla beräkningar och ersätter värden i numeriska kolumner med motsvarande glidande medelvärden.

Du kan använda det resulterande glidande medelvärdet för ritning och visualisering, som en ny smidig baslinje för modellering, för att beräkna avvikelser mot beräkningar för liknande perioder och så vidare.

Tips

Behöver du filtrera data från en datauppsättning eller ta bort saknade värden? Använd de här modulerna i stället:

  • Rensa data som saknas: Använd den här modulen för att ta bort saknade värden eller ersätta saknade värden med platshållare.
  • Partition och exempel: Använd den här modulen för att dela upp eller filtrera datauppsättningen efter kriterier, till exempel ett datumintervall, ett specifikt värde eller reguljära uttryck.
  • Klipp ut värden: Använd den här modulen för att ange ett intervall och endast behålla värdena inom det intervallet.

Förstå och använda glidande medelvärden

Den här typen av medelvärde hjälper dig att visa och förutse användbara temporala mönster i retrospektiva och realtidsdata. Den enklaste typen av glidande medelvärde börjar vid något urval av serien och använder medelvärdet av den positionen plus de föregående n positionerna i stället för det faktiska värdet. (Du kan definiera n som du vill.) Ju längre period n som medelvärdet beräknas, desto mindre varians kommer du att ha bland värdena. När du ökar antalet värden som används, desto mindre effekt får ett enskilt värde på det resulterande medelvärdet.

Ett glidande medelvärde kan vara ensidigt eller tvåsidigt. I ett ensidigt medelvärde används endast värden som föregår indexvärdet. I ett medelvärde med två sidor används tidigare och framtida värden.

För scenarier där du läser strömmande data är kumulativa och viktade glidande medelvärden särskilt användbara. Ett kumulativt glidande medelvärde tar hänsyn till de punkter som föregår den aktuella perioden.

Du kan vikta alla datapunkter lika när du beräknar genomsnittet, eller så kan du se till att värden närmare den aktuella datapunkten viktas starkare. I ett viktat glidande medelvärde måste alla vikter summeras till 1.

I ett exponentiellt glidande medelvärde består medelvärdena av ett huvud och en svans, som kan viktas. En lätt viktad svans innebär att svansen följer huvudet ganska nära, så genomsnittet beter sig som ett glidande medelvärde under en kort viktningsperiod. När svansvikterna är tyngre beter sig medelvärdet mer som ett längre enkelt glidande medelvärde.

Så här konfigurerar du filter för glidande medelvärde

  1. Lägg till modulen Filter för glidande medelvärde i experimentet. Du hittar den här modulen under Datatransformering i kategorin Filter .

  2. För Längd skriver du ett positivt heltalsvärde som definierar den totala storleken på fönstret som filtret tillämpas på. Detta kallas även filtermasken. För ett glidande medelvärde avgör längden på filtret hur många värden som är genomsnittliga i skjutfönstret.

    Längre filter kallas även för högre ordningsfilter och ger ett större beräkningsfönster och en närmare uppskattning av trendlinjen.

    Kortare eller lägre ordningsfilter använder ett mindre beräkningsfönster och liknar de ursprungliga data.

  3. För Typ väljer du vilken typ av glidande medelvärde som ska tillämpas.

    Machine Learning Studio (klassisk) stöder följande typer av glidande medelvärdesberäkningar:

    Enkelt: Ett enkelt glidande medelvärde (SMA) beräknas som ett oviktat rullande medelvärde.

    Triangulärt: Triangulära glidande medelvärden (TMA) beräknas två gånger för en jämnare trendlinje. Ordet triangulär härleds från formen på de vikter som tillämpas på data, vilket framhäver centrala värden.

    Exponentiell enkel: Ett exponentiellt glidande medelvärde (EMA) ger större vikt till de senaste data. Viktningen sjunker exponentiellt.

    Exponentiell: Ett ändrat exponentiellt glidande medelvärde beräknar ett löpande glidande medelvärde, där beräkningen av glidande medelvärde vid någon punkt beaktar det tidigare beräknade glidande medelvärdet vid alla föregående punkter. Den här metoden ger en jämnare trendlinje.

    Kumulativt: Givet en enskild punkt och ett aktuellt glidande medelvärde beräknar det kumulativa glidande medelvärdet vid den aktuella punkten.

  4. Lägg till den datauppsättning som har de värden som du vill beräkna ett glidande medelvärde för och lägg till modulen Använd filter .

    Anslut filtret Glidande medelvärde till vänsterindata för Använd filter och anslut datauppsättningen till högerindata.

  5. I modulen Använd filter använder du kolumnväljaren för att ange vilka kolumner filtret ska tillämpas på. Som standard tillämpas filtertransformeringen på alla numeriska kolumner, så se till att utesluta alla kolumner som inte har lämpliga data.

  6. Kör experimentet.

    För varje uppsättning värden som definieras av parametern filterlängd ersätts det aktuella värdet (eller indexet) med det glidande medelvärdesvärdet.

Exempel

Exempel på hur filter används i maskininlärning finns i det här experimentet i Azure AI-galleriet:

  • Filter: Det här experimentet visar alla filtertyper med hjälp av en konstruerad vågformsdatauppsättning.

Modulparametrar

Name Intervall Typ Standardvärde Beskrivning
Längd >=1 Integer 5 Ange längden på fönstret för glidande medelvärde
Typ Valfri MovingAverageType Ange vilken typ av glidande medelvärde som ska skapas

Utdata

Namn Typ Beskrivning
Filtrera IFilter-gränssnitt Filterimplementering

Se även

Filter
Använd filter
A-Z-modullista
Ytterligare filterexempel