26 de agosto de 2024 – Treinamento mais fácil de modelos de previsão a partir de dados do mundo real¶
Temos o prazer de anunciar que a função de ML de previsão de séries temporais agora inclui recursos de pré-processamento que permitem treinar com sucesso um modelo de previsão, mesmo quando seus dados de treinamento têm etapas de tempo ausentes, duplicadas ou desalinhadas. No passado, esses problemas, que são comuns em dados do mundo real, normalmente impediam o treinamento do modelo. Esses recursos são:
É possível especificar manualmente uma cadência de eventos caso o modelo não consiga inferi-la ou realize a inferência de forma incorreta.
O modelo pode interpolar valores de destino ausentes de intervalos de tempo próximos.
O modelo pode agregar valores dimensionais de eventos que ocorrem fora da cadência de evento canônicos de diversas maneiras, e é possível especificar comportamentos de agregação para o tipo de valor ou por coluna.
Um número relativamente pequeno dessas correções não afeta significativamente a precisão da previsão.
Para obter mais informações, consulte Como lidar com dados do mundo real na previsão de séries temporais.