در این مطلب، ویدئو مدل سازی و پیش بینی ARIMA | سری زمانی در پایتون قسمت 2 با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:12:32
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,350 –> 00:00:03,379
[موسیقی]
2
00:00:05,930 –> 00:00:08,490
سلام به استاد لکنت زبان خوش آمدید
3
00:00:08,490 –> 00:00:10,410
یک مجموعه آموزشی ویدیویی در مورد سری های زمانی
4
00:00:10,410 –> 00:00:12,840
در قسمت 1 ما آن را به
5
00:00:12,840 –> 00:00:14,219
تفاوت در داده های خود واگذار کردیم تا
6
00:00:14,219 –> 00:00:16,379
ثابت تر شود زیرا این مورد نیاز
7
00:00:16,379 –> 00:00:19,230
بسیاری از مدل های سری زمانی است که در قسمت 2 خواهیم گفت.
8
00:00:19,230 –> 00:00:20,670
لکنت متفاوت خود را در نظر بگیرید و شروع به
9
00:00:20,670 –> 00:00:22,230
مدل سازی بر روی آن و پیش بینی
10
00:00:22,230 –> 00:00:25,800
آینده کنید، بنابراین آنچه که اکنون باید انجام دهیم این است
11
00:00:25,800 –> 00:00:27,660
که به تابع همبستگی خود و
12
00:00:27,660 –> 00:00:30,510
نمودارهای خودهمبستگی جزئی یا به اختصار یک ACF CFP نگاه کنیم
13
00:00:30,510 –> 00:00:31,800
14
00:00:31,800 –> 00:00:34,230
تا این نمودارها به تعیین تعداد
15
00:00:34,230 –> 00:00:36,149
عبارت های تهاجمی سفارش و حرکت کمک کنند.
16
00:00:36,149 –> 00:00:37,920
اصطلاحات متوسط یک مدل می
17
00:00:37,920 –> 00:00:40,500
نگین متحرک اتورگرسیو یا برای شناسایی روندهای فصلی یا
18
00:00:40,500 –> 00:00:43,290
وره ای، بنابراین منظور من از
19
00:00:43,290 –> 00:00:44,730
رتبه تهاجمی و میانگین متحرک چیست، بن
20
00:00:44,730 –> 00:00:47,670
براین دستور تهاجمی اساساً قا
21
00:00:47,670 –> 00:00:49,500
ر است ارزش مهر زمانی بعدی را
22
00:00:49,500 –> 00:00:51,390
ا رگرسیون بر مقادیر قبلی پیش بینی کند و م
23
00:00:51,390 –> 00:00:53,940
انگین متحرک قادر است برای
24
00:00:53,940 –> 00:00:56,039
پیشبینی ارزش مهرهای زمانی بعدی با
25
00:00:56,039 –> 00:00:59,489
میانگینگیری مقادیر قبلی، بنابراین مدل
26
00:00:59,489 –> 00:01:01,079
میانگین متحرک یکپارچه رگرسیون خودکار
27
00:01:01,079 –> 00:01:02,789
که همان چیزی است که میخواهیم o
28
00:01:02,789 –> 00:01:05,339
استفاده برای داده های غیر ثابت مفید است زیرا
29
00:01:05,339 –> 00:01:08,010
به ما امکان می دهد داده ها را از هم متمایز کنیم به
30
00:01:08,010 –> 00:01:09,780
علاوه یک پارامتر تفاوت فصلی اضافی
31
00:01:09,780 –> 00:01:11,670
برای داده های غیر ثابت فصلی دارد،
32
00:01:11,670 –> 00:01:14,909
بنابراین ابتدا اجازه دهید این نمودارها را تولید کنیم
33
00:01:14,909 –> 00:01:16,770
و سپس توضیح می دهم که چگونه
34
00:01:16,770 –> 00:01:19,350
آنها را تفسیر کنیم تا به اولین
35
00:01:19,350 –> 00:01:27,119
پلاتهای ما یک گلدان CF خواهد بود. من
36
00:01:27,119 –> 00:01:29,720
سبکهای متفاوتی را میشناسم
37
00:01:32,630 –> 00:01:35,909
و همچنین میخواهیم یک خون PACAF خوب تولید کنیم، خوب،
38
00:01:35,909 –> 00:01:38,390
39
00:01:43,549 –> 00:01:47,510
بیایید نگاهی به اینها بیندازیم،
40
00:01:52,890 –> 00:01:56,260
بنابراین نمودار ACF و PCA F
41
00:01:56,260 –> 00:01:59,490
شامل یک فاصله اطمینان 95٪ Ben
42
00:01:59,490 –> 00:02:02,980
بنابراین هر چیزی که خارج از این نوع um است،
43
00:02:02,980 –> 00:02:05,860
میدانید که در اینجا باند سایهدار را میشناسید، از نظر
44
00:02:05,860 –> 00:02:08,530
آماری همبستگی معنیداری دارد، بنابراین
45
00:02:08,530 –> 00:02:11,110
اگر ما یک جهش قابلتوجه در تاخیر X
46
00:02:11,110 –> 00:02:13,630
در ACF ببینیم که به ما کمک میکند
47
00:02:13,630 –> 00:02:16,150
تعداد ترمهای میانگین متحرک را تعیین کنیم و اگر
48
00:02:16,150 –> 00:02:18,490
در تاخیر X شاهد افزایش قابل توجهی باشیم. در
49
00:02:18,490 –> 00:02:20,920
PA CF که به ما کمک میکند
50
00:02:20,920 –> 00:02:24,520
تعداد عبارتهای خودرگرسیون را تعیین کنیم، بنابراین در اینجا در
51
00:02:24,520 –> 00:02:26,950
نمودار ACF یک سنبله در حدود یک
52
00:02:26,950 –> 00:02:29,860
در اینجا میبینیم، بنابراین به ما کمک
53
00:02:29,860 –> 00:02:31,959
میکند تعداد عبارتهای میانگین متحرک را تعیین کنیم و
54
00:02:31,959 –> 00:02:35,230
اگر به PA CF ما میتوانیم دو
55
00:02:35,230 –> 00:02:37,330
نوک اصلی را در اینجا ببینیم، بنابراین یکی در حدود پنج اضافه شده
56
00:02:37,330 –> 00:02:39,450
و یکی در حدود سیزده مورد اضافه شده است،
57
00:02:39,450 –> 00:02:41,500
به طوری که به ما کمک میکند
58
00:02:41,500 –> 00:02:44,290
تعداد اصطلاحات واقعیت افزوده را در حال حاضر تعیین کنیم، ما
59
00:02:44,290 –> 00:02:45,790
فقط میخواهیم با مدلی که فقط
60
00:02:45,790 –> 00:02:48,190
شامل حدود پنج عبارت AR و ببینید
61
00:02:48,190 –> 00:02:52,930
که چگونه پیش میرود، بنابراین اکنون که به
62
00:02:52,930 –> 00:02:55,540
نمودارهای ACF NP ACF خود نگاه کردیم، اکنون میتوانیم
63
00:02:55,540 –> 00:02:58,420
مدل ARIMA خود را بسازیم که
64
00:02:58,420 –> 00:03:00,430
مقدار عباراتی را که باید استفاده
65
00:03:00,430 –> 00:03:02,170
کنیم را در نظر میگیرد و فقط به خاطر داشته باشید که این مدلها
66
00:03:02,170 –> 00:03:04,480
نیز به فرکانس را استنباط کنیم، بنابراین
67
00:03:04,480 –> 00:03:06,850
باید مطمئن شویم که فاصلههای بین
68
00:03:06,850 –> 00:03:09,209
زمانهای تاریخ ما این است که ما همیشه مدلسازی را خوب انجام دادهایم،
69
00:03:09,209 –> 00:03:12,430
بنابراین بیایید این را ARMA یک
70
00:03:12,430 –> 00:03:14,730
مدل
71
00:03:23,890 –> 00:03:27,000
[موسیقی]
72
00:03:29,070 –> 00:03:31,730
بنامیم و من میخواهم مدل Reema خود را
73
00:03:31,730 –> 00:03:34,820
[Music] اجرا
74
00:03:35,220 –> 00:03:42,520
کنم. دادههایمان را به آن میدهیم و
75
00:03:42,520 –> 00:03:46,750
ترتیب عبارتها عبارتاند از عبارتهای AR ma
76
00:03:46,750 –> 00:03:50,080
و تفاوتهای ما، بنابراین اول از
77
00:03:50,080 –> 00:03:54,250
همه تعداد عبارتهای AR را در اینجا دو
78
00:03:54,250 –> 00:03:55,930
دور تفاوت یا دو مجموعه
79
00:03:55,930 –> 00:04:05,050
تفاوت و یک ترم اصلی اینجا قرار دهید و من
80
00:04:05,050 –> 00:04:08,230
میخواهم یک گزینه را در اینجا قرار دهید یا
81
00:04:08,230 –> 00:04:10,900
پارامترهای trans را به عنوان نادرست این نوع
82
00:04:10,900 –> 00:04:12,640
e تعیین کنید مطمئناً اگر درست گفته اید، مطمئن می شود
83
00:04:12,640 –> 00:04:14,770
که چیزها ثابت می مانند، اما
84
00:04:14,770 –> 00:04:16,180
خواهید دید که چرا باید
85
00:04:16,180 –> 00:04:18,339
بعداً در مجموعه آموزش ویدیویی
86
00:04:18,339 –> 00:04:20,470
وقتی در مورد
87
00:04:20,470 –> 00:04:32,380
مشکلات مدل خود صحبت می کنیم و می خواهیم خلاصه را چاپ کنیم، این را به عنوان نادرست تنظیم کنم.
88
00:04:32,380 –> 00:04:34,300
از مدل ما امم، بنابراین ما میتوانیم
89
00:04:34,300 –> 00:04:38,820
جزئیات کمی را جدی بگیریم، بیایید این کار را انجام
90
00:04:39,810 –> 00:04:42,160
دهیم، حالا نحوه تفسیر خلاصه را نیز توضیح میدهیم،
91
00:04:42,160 –> 00:04:44,790
92
00:04:49,500 –> 00:04:53,450
خوب، اجازه دهید ادامه دهیم و این را اجرا
93
00:04:58,800 –> 00:05:00,550
کنیم تا نگاهی به
94
00:05:00,550 –> 00:05:01,959
همبستگی خودکار و خودهمبستگی جزئی
95
00:05:01,959 –> 00:05:03,459
داشته باشیم.
96
00:05:03,459 –> 00:05:07,990
مدل خود را درست ساختهایم، بنابراین این خلاصهای
97
00:05:07,990 –> 00:05:10,809
از مدل ما را در اینجا به ما نشان میدهد، ما میخواهیم به
98
00:05:10,809 –> 00:05:14,469
مقادیر p برای
99
00:05:14,469 –> 00:05:17,559
ضریب عبارتهایمان در اینجا نگاه کنیم، بنابراین عبارتهای ما و
100
00:05:17,559 –> 00:05:20,289
عبارتهای ma ما در اینجا، بنابراین نگاه کردن به
101
00:05:20,289 –> 00:05:22,899
این مفید است زیرا اگر مقدار p برای مثال
102
00:05:22,899 –> 00:05:25,539
یک ضریب AR یا MA بزرگتر
103
00:05:25,539 –> 00:05:28,149
از 0.05 است که سطح معنی داری ما
104
00:05:28,149 –> 00:05:29,740
است. من آنها را به نوعی قطع می کنم تا
105
00:05:29,740 –> 00:05:31,149
مشخص کنم که آیا معنی دار است یا
106
00:05:31,149 –> 00:05:33,339
نه، سپس می توانیم بگوییم که احتمالاً به
107
00:05:33,