Lección 7 del curso Pronósticos de Series de Tiempo con Regresión.
En la lección anterior vimos las principales métricas para cuantificar el desempeño de un modelo de generación de pronósticos de Series de Tiempo (como el RMSE, el MAPE, el MAE y el índice de Winkler).
En esta lección veremos en qué consiste la validación cruzada, una técnica muy usada para evaluar el desempeño de un modelo de generación de pronósticos de Series de Tiempo. Además, veremos cuáles son sus ventajas en comparación con el uso de sets de entrenamiento y validación y cómo implementar este tipo de validación usando Python y la librería StatsForecast:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
En esencia lo que permite realizar la validación cruzada en Series de Tiempo es evaluar el desempeño de un modelo en distintos instantes de tiempo y no sólo en un único bloque final (como ocurre por ejemplo al usar un único set de validación).
Y generalmente podemos usar dos enfoques de validación cruzada:
- El método de ventana expansiva u origen rodante, en el cual el subset de entrenamiento va creciendo con el tiempo (se expande), mientras que el conjunto de prueba mantiene un tamaño fijo
- Y el método de ventana deslizante, donde el subset de entrenamiento tiene un tamaño fijo y se va desplazando hacia adelante junto con el subset de prueba
Y cada uno de estos métodos tiene sus ventajas y desventajas que dependerán de las características propias de la Serie de Tiempo sobre la cual estemos generando los pronósticos.
Además vimos que la implementación de estos dos métodos resulta muy sencilla al usar la librería StatsForecast, pues simplemente debemos acceder al método «cross_validation», el cual nos arrojará los pronósticos para cada una de las ventanas especificadas.
Así que con esto hemos completado este primer módulo del curso donde hemos visto la metodología sugerida para la generación de pronósticos de Series de Tiempo, así como métodos simples para la generación de pronósticos (entre los que se cuenta el método de deriva, así como el método Näive y el Näive estacional, entre otros) y herramientas que nos permiten diagnosticar los pronósticos con base en los residuales así como cuantificar los intervalos de predicción.
Estas herramientas resultarán fundamentales para lo que resta de este curso y para próximos cursos, pues resultan muy útiles al construir cualquier modelo de generación de pronósticos sin importar su nivel de complejidad.
Entonces, teniendo esto en cuenta, en el segundo módulo de este curso aprenderemos las principales técnicas de regresión lineal y no lineal que podremos usar para pronosticar Series de Tiempo. Y en particular en la próxima lección comenzaremos con la más simple de todas: la generación de pronósticos con Regresión Lineal Simple.
Todas las lecciones del curso Pronósticos de Series de Tiempo con Regresión