Moving Average Filter

Important

Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.

À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.

• Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
• En savoir plus sur Azure Machine Learning.

La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.

Crée un filtre de moyenne mobile pour lisser les données pour l'analyse de tendance

Catégorie : Transformation de données / Filtre

Notes

S’applique à : Machine Learning Studio (classique) uniquement

Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.

Vue d’ensemble du module

Cet article explique comment utiliser le module Filtre de moyenne mobile dans Machine Learning Studio (classique), pour calculer une série de moyennes à un ou deux côtés sur un jeu de données, à l’aide d’une longueur de fenêtre que vous spécifiez.

Une fois que vous avez défini un filtre qui répond à vos besoins, vous pouvez l’appliquer aux colonnes sélectionnées dans un jeu de données en le connectant au module Appliquer le filtre . Le module effectue tous les calculs et remplace les valeurs dans les colonnes numériques par les moyennes mobiles correspondantes.

Vous pouvez utiliser la moyenne mobile obtenue pour le traçage et la visualisation, comme une nouvelle base régulière pour la modélisation, pour le calcul des écarts par rapport à des calculs pour des périodes semblables, et ainsi de suite.

Conseil

Vous devez filtrer les données d’un jeu de données ou supprimer des valeurs manquantes ? Utilisez ces modules à la place :

• Nettoyer les données manquantes : utilisez ce module pour supprimer les valeurs manquantes ou remplacer les valeurs manquantes par des espaces réservés.
• Partition et exemple : utilisez ce module pour diviser ou filtrer votre jeu de données en fonction de critères tels qu’une plage de dates, une valeur spécifique ou des expressions régulières.
• Valeurs clip : utilisez ce module pour définir une plage et conserver uniquement les valeurs de cette plage.

Comprendre et utiliser des moyennes mobiles

Ce type de moyenne permet de révéler et de prévoir des modèles temporels utiles dans les données en temps réel et les rétrospectives. Le type le plus simple de moyenne mobile commence au niveau d'un exemple de la série et utilise la moyenne de cette position plus les n positions précédentes au lieu de la valeur réelle. (Vous pouvez définir n comme vous le souhaitez.) Plus la période n est longue sur laquelle la moyenne est calculée, moins vous aurez de variance entre les valeurs. Par ailleurs, comme vous augmentez le nombre de valeurs utilisées, moins l'effet de n'importe quelle valeur unique est important sur la moyenne obtenue.

Une moyenne mobile peut être unilatérale ou bilatérale. Dans une moyenne unilatérale, seules les valeurs qui précèdent la valeur d'index sont utilisées. Dans une moyenne bilatérale, les valeurs passées et futures sont utilisées.

Pour les scénarios dans lesquels vous lisez des données de diffusion en continu, les moyennes mobiles cumulées et pondérées sont particulièrement utiles. Une moyenne mobile cumulée prend en compte les points qui précèdent la période en cours.

Vous pouvez pondérer tous les points de données de la même manière lors du calcul de la moyenne, ou vous assurer que les valeurs plus proches du point de données actuel sont pondérées plus fortement. Dans une moyenne mobile pondérée, le total de tous les poids doit être égal à 1.

Dans une moyenne mobile exponentielle, les moyennes sont constituées d'une tête et d'une queue, qui peuvent être pondérées. Une queue légèrement pondérée signifie qu'elle suit la tête de très près et que la moyenne se comporte donc comme une moyenne mobile sur une période de pondération courte. Quand les poids des queues sont plus importants, la moyenne se comporte davantage comme une moyenne mobile simple plus longue.

Guide pratique pour configurer le filtre de moyenne mobile

1. Ajoutez le module Filtre de moyenne mobile à votre expérience. Vous trouverez ce module sous Transformation de données, dans la catégorie Filtre .

2. Pour Length, tapez une valeur de nombre entier positif qui définit la taille totale de la fenêtre sur laquelle le filtre est appliqué. Il s’agit également du masque de filtre. Pour une moyenne mobile, la longueur du filtre détermine le nombre de valeurs moyennes dans la fenêtre glissante.

   Les filtres plus longs sont également appelés filtres d’ordre supérieur et fournissent une fenêtre de calcul plus grande et une approximation plus proche de la courbe de tendance.

   Les filtres d’ordre plus court ou inférieur utilisent une fenêtre de calcul plus petite et ressemblent plus étroitement aux données d’origine.

3. Pour Type, choisissez le type de moyenne mobile à appliquer.

   Machine Learning Studio (classique) prend en charge les types de calculs de moyenne mobile suivants :

   Simple : une moyenne mobile simple (SMA) est calculée comme une moyenne de roulement non pondérée.

   Triangulaire : les moyennes mobiles triangulaires (TMA) sont moyennes deux fois pour une courbe de tendance plus lisse. Le mot triangulaire est dérivé de la forme des poids appliqués aux données, qui met l’accent sur les valeurs centrales.

   Exponentielle simple : une moyenne mobile exponentielle (EMA) donne plus de poids aux données les plus récentes. La pondération diminue de façon exponentielle.

   Exponentiel : une moyenne mobile exponentielle modifiée calcule une moyenne mobile en cours d’exécution, où le calcul de la moyenne mobile à un point considère la moyenne mobile calculée précédemment à tous les points précédents. Cette méthode génère une courbe de tendance plus lisse.

   Cumulative : compte tenu d’un point unique et d’une moyenne mobile actuelle, la moyenne mobile cumulée (CMA) calcule la moyenne mobile au point actuel.

4. Ajoutez le jeu de données contenant les valeurs pour lesquelles vous souhaitez calculer une moyenne mobile, puis ajoutez le module Appliquer le filtre .

   Connecter le filtre de moyenne mobile à l’entrée de gauche du filtre Appliquer et connecter le jeu de données à l’entrée de droite.

5. Dans le module Appliquer le filtre , utilisez le sélecteur de colonne pour spécifier les colonnes auxquelles le filtre doit être appliqué. Par défaut, la transformation de filtre est appliquée à toutes les colonnes numériques. Veillez donc à exclure toutes les colonnes qui n’ont pas de données appropriées.

6. Exécutez l’expérience.

   Pour chaque ensemble de valeurs définies par le paramètre de longueur du filtre, la valeur actuelle (ou index) est remplacée par la valeur moyenne mobile.

Exemples

Pour obtenir des exemples de la façon dont les filtres sont utilisés dans le Machine Learning, consultez cette expérience dans la galerie Azure AI :

• Filtres : cette expérience illustre tous les types de filtres, à l’aide d’un jeu de données de forme d’ondes conçu.

Paramètres du module

Nom	Plage	Type	Default	Description
Longueur	>=1	Integer	5	Définir la longueur de la fenêtre de moyenne mobile
Type	Quelconque	MovingAverageType		Spécifier le type de moyenne mobile à créer

Sorties

Nom	Type	Description
Filtrer	Interface IFilter	Implémentation de filtre

Voir aussi

Filter
Appliquer un filtre
Liste alphabétique des modules
Exemples de filtres supplémentaires