Un guide complet sur les termes d’interaction dans la prévision de séries temporelles

Guide complet sur les termes d'interaction en prévision de séries temporelles

Apprenez comment améliorer l’ajustement de vos modèles linéaires en les rendant plus flexibles aux changements de tendance

La modélisation des données de séries chronologiques peut être difficile (et fascinante) en raison de sa complexité intrinsèque et de son imprévisibilité. Par exemple, les tendances à long terme dans les séries chronologiques peuvent changer radicalement en raison de certains événements. Rappelons le début de la pandémie mondiale, lorsque des entreprises telles que les compagnies aériennes ou les magasins physiques ont connu un déclin rapide du nombre de clients et des ventes. En revanche, les entreprises de commerce électronique ont continué à fonctionner avec moins de perturbations.

Les termes d’interaction peuvent aider à modéliser de tels motifs. Ils capturent les relations complexes entre les variables et, par conséquent, conduisent à des prédictions plus précises.

Cet article explore :

• Les termes d’interaction dans le contexte de la prévision des séries chronologiques
• Les avantages des termes d’interaction lors de la modélisation de relations complexes
• Comment implémenter efficacement les termes d’interaction dans vos modèles

Aperçu des termes d’interaction

Les termes d’interaction vous permettent d’étudier si la relation entre la cible et une caractéristique change en fonction de la valeur d’une autre caractéristique. Pour plus de détails, veuillez vous référer à mon article précédent.

• 130 Astuces et Ressources d’Apprentissage Automatique Sélectionnées avec Soin sur 3 Ans (Plus un eBook Gratuit)
• L’intersection entre CDP et IA Comment l’intelligence artificielle révolutionne les plates-formes de données clients
• LLM (Large Language Models) pour une meilleure compréhension du produit par les développeurs

La figure 1 montre un nuage de points qui représente la relation entre les miles par gallon (cible) et le poids d’un véhicule (caractéristique). La relation est assez différente en fonction du type de transmission (une autre caractéristique).

Sans utiliser les termes d’interaction, un modèle linéaire ne serait pas capable de capturer une telle relation complexe. En effet, il attribuerait le même coefficient pour la caractéristique du poids, quel que soit le type de transmission. La Figure 1 montre les coefficients (pente de la ligne) en fonction de la caractéristique du poids, qui sont radicalement différents pour les différents types de transmission.

Pour surmonter cette erreur et rendre le modèle linéaire plus flexible, nous pouvons utiliser des termes d’interaction. Dans…

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!