FAQ: Ausreißererkennung und Behandlung
- Wenn es an einem bestimmten Tag einen extremen Ausreißer gibt (z. B. einen Fehler, ein einmaliges Ereignis oder einen unerwarteten Anstieg/Abbruch), wie ermittelt das ML-Modell diesen Ausreißer und wie behandelt es ihn? Prognosezwecken? Wird es ignoriert, geausgleicht oder auf bestimmte Weise integriert? Wie unterscheidet das System zwischen einem echten Ausreißer und einem echten, aber ungewöhnlichen Datenpunkt , der in der Prognose berücksichtigt werden sollte (z. B. ein offizielles Maximum während einer erfolgreichen Beförderung)?
- Das System unterscheidet nicht zwischen einem echten Ausreißer und einem echten, aber ungewöhnlichen Datenpunkt (). Beide werden in der Prognose berücksichtigt und ihre Auswirkungen hängen von ihrer Dauer und ihrem Betrag ab. Das aktuelle Mittel zur Behandlung dieser Situationen ist das Feature für Zeitplanungsereignisse.Das ML behandelt alle historischen Datenpunkte als gültige Informationen für die Prognose zukünftiger Trends. Es verfügt nicht über einen integrierten Mechanismus, der zwischen einem Datenpunkt , der das Ergebnis eines einmaligen Fehler ist (ein echter Ausreißer), und einem Datenpunkt, der ein echtes, wenn auch seltenes Ereignis darstellt (ein berechtigter Peak), unterscheidet. Wenn eine Prognose generiert wird, berücksichtigt das System die gesamte Historie. Wenn ein signifikanter Höchstbetrag oder Senk vorhanden ist, kann sich dies auf die Prognose für nachfolgende Perioden auswirken, insbesondere wenn das Prognosemodell auf aktuelle Daten reagiert.Um zu verhindern, dass ein echten, aber ungewöhnlichen Datenpunkt die allgemeine Prognose verzerrt, können Sie das Feature „Zeitplanungsereignisse“ verwenden. Mit diesem Tool können Sie bestimmte Daten manuell als von einem bekannten Ereignis betroffen Markierung , z. B. eine erfolgreiche Beförderung, einen Feiertag oder einen Filialverkauf. Sobald ein bekanntes Ereignis identifiziert wurde, Gewichtung das Machine Learning dieses Datum beim Generieren von Prognosen unterschiedlich, wobei übereinstimmende Ereignisse höher Gewichtung und die durchschnittlichen Tage niedriger Gewichtung werden.