Praktische Zeitreihenanalyse

Kapitel 12. Leistungsüberlegungen bei der Anpassung und Bedienung von Zeitreihenmodellen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In der Literatur über maschinelles Lernen und statistische Analysen ( ) liegt der Schwerpunkt meist auf der Leistung der Modelle in Bezug auf die Genauigkeit. Auch wenn die Genauigkeit in der Regel das Hauptaugenmerk bei der Bewertung eines Modells sein sollte, spielen Überlegungen zur Rechenleistung manchmal eine große Rolle, wenn es um große Datensätze oder weit verbreitete Modelle für eine große Anzahl von Kundenanwendungen geht.

Zeitreihendaten werden so groß, dass Analysen gar nicht oder nicht richtig durchgeführt werden können, weil sie die verfügbaren Rechenressourcen zu stark beanspruchen. In solchen Fällen gehen viele Unternehmen wie folgt vor:

• Aufstockung der Rechenressourcen (teuer und oft verschwenderisch, sowohl wirtschaftlich als auch ökologisch).

• Mach das Projekt schlecht (nicht genug Hyperparameter, nicht genug Daten, etc.).

• Mache das Projekt nicht.¹

Keine dieser Optionen ist zufriedenstellend, vor allem, wenn du gerade erst mit einem neuen Datensatz oder einer neuen Analysetechnik anfängst. Es kann frustrierend sein, nicht zu wissen, ob deine Misserfolge auf schlechte Daten, ein zu schwieriges Problem oder einen Mangel an Ressourcen zurückzuführen sind. Wir hoffen, dass wir einige Umgehungsmöglichkeiten finden, um deine Optionen bei sehr anspruchsvollen ...