Please enable JavaScript.
Coggle requires JavaScript to display documents.
Mapa Mental Forecasting con RNN (S_9) - Coggle Diagram
Mapa Mental Forecasting con RNN (S_9)
Preparación de datos
Recopilación de datos, los cuales deben ser históricos, relevantes para la predicción, como series temporales de ventas, etc.
Se realiza el procesamiento de datos que puede por medio de normalización o estandarización donde se escalan los datos para las RNN y división en secuencias que consiste en dividir la serie temporal en secuencias de entrada y salidas.
Generación de características
Lag features, características basas en valores anteriores de la serie.
Adicionales, se incluyen las variables exógenas, como factores económicos o estacionales.
Ajuste de Hiperparámetros
Hiperparámetros clave
Número de capas y neuronas, es la capacidad y profundidad del modelo
Tamaño de la secuencia, longitud de la secuencia de entrada
Learning rate, es la tasa de aprendizaje del optimizador
Método de ajuste
Grid searcg, es evaluar las combinaciones posibles de hiperparámetros
Ramdom search, es evaluar el conjunto aleatorio de combinaciones
Bayesian optimization, es el método mas avanzado el cual encuentra la mejor combinación
Evaluación de modelos
Métricas de evaluación
RMSE, mide la desviación cuadrática media entre los valores predichos y reales.
MAE, mide la media de los errores absolutos.
MAPE, mide el error porcentual promedio
Validación cruzada
K-fold cross-validation, divide los datos en subjuntos y entrenar el modelo k veces para evaluar.
Diseño de modelos
Estructura
Tipo de RRNN, Modelos básicos de RNN, LSTM, GRU, entre otros.
Número de capas y neuronas, Definir la arquitectura, en el cual se debe incluir le número de capas recurrentes y el número de neuronas.
Secuencia de entrada y salida
Many-to-one, varias entradas producen un solo valor de salida
Many-to-many, Una secuencia de entrada produce una secuencia de salida.
One-to-One, único valor de entrada produce un únicos valor de salida.
Generación de predicciones
Predicción en serie temporal
Predicción paso a paso, Utiliza la salida predicha como entrada para la siguiente predicción
Batch, genera todas las predicciones de una vez
Postprocesamiento
Desnormalización, convierte las predicciones a su escala original
Intervalos de confianza, estima la incertidumbre en las predicciones
Entrenamientos
División de datos
Training y validation, es dividir los datos en conjuntos de entrenamiento y validación para evitar sobreajuste.
Configuración de entrenamiento
Optimización, Algoritmo optimizado como Adam o RMSprop
Batch size y epochs, determinar el tamaño del lote y el número de épocas para entregar el modelo
Función de perdida, Utilizar la función de perdida adecuada, como MSE