Análise prática de séries temporais

Capítulo 12. Considerações sobre desempenho no ajuste e na manutenção de modelos de séries temporais

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

Na literatura sobre aprendizagem automática e análises estatísticas, o foco principal tende a ser o desempenho dos modelos em termos de precisão. Embora a exatidão deva ser normalmente a principal preocupação quando se avalia um modelo, por vezes as considerações relativas ao desempenho computacional são tremendamente importantes quando se trata de grandes conjuntos de dados ou de modelos amplamente utilizados para servir grandes populações de aplicações de clientes.

Os conjuntos de dados de séries cronológicas tornam-se tão grandes que as análises não podem ser feitas de todo - ou não podem ser feitas corretamente - porque exigem demasiado dos recursos de computação disponíveis. Nestes casos, muitas organizações tratam as suas opções da seguinte forma:

• Aumenta o tamanho dos recursos de computação (dispendioso e muitas vezes desperdiçador, tanto do ponto de vista económico como ambiental).

• Faz mal o projeto (afinação insuficiente dos hiperparâmetros, dados insuficientes, etc.).

• Não faças o projeto.¹

Nenhuma destas opções é satisfatória, especialmente quando estás a começar com um novo conjunto de dados ou uma nova técnica analítica. Pode ser frustrante não saber se os teus fracassos são o resultado de dados pobres, de um problema demasiado difícil ou de falta ...