Filter Rata-rata Bergerak

Penting

Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.

Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.

ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.

Membuat filter rata-rata bergerak yang digunakan untuk menghaluskan data untuk analisis tren

Kategori: Transformasi / Filter Data

Catatan

Berlaku untuk: hanya Pembelajaran Mesin Studio (klasik)

Modul seret dan letakkan serupa tersedia di perancang Azure Machine Learning.

Ringkasan Modul

Artikel ini menjelaskan cara menggunakan modul Filter Rata-Rata Bergerak di Pembelajaran Mesin Studio (klasik), untuk menghitung serangkaian rata-rata satu sisi atau dua sisi atas himpunan data, menggunakan panjang jendela yang Anda tentukan.

Setelah menentukan filter yang memenuhi kebutuhan, Anda dapat menerapkannya ke kolom yang dipilih dalam himpunan data dengan menyambungkannya ke modul Terapkan Filter . Modul melakukan semua perhitungan dan mengganti nilai dalam kolom numerik dengan rata-rata pemindahan yang sesuai.

Anda dapat menggunakan rata-rata bergerak yang dihasilkan untuk plotting dan visualisasi, sebagai garis besar halus baru untuk pemodelan, untuk menghitung variansi terhadap perhitungan untuk periode serupa, dan sebagainya.

Tip

Perlu memfilter data dari himpunan data atau menghapus nilai yang hilang? Gunakan modul ini sebagai gantinya:

  • Bersihkan Data yang Hilang: Gunakan modul ini untuk menghapus nilai yang hilang atau mengganti nilai yang hilang dengan tempat penampung.
  • Partisi dan Sampel: Gunakan modul ini untuk membagi atau memfilter himpunan data Anda berdasarkan kriteria seperti rentang tanggal, nilai tertentu, atau ekspresi reguler.
  • Nilai Klip: Gunakan modul ini untuk mengatur rentang dan hanya menyimpan nilai dalam rentang tersebut.

Memahami dan menggunakan rata-rata bergerak

Jenis rata-rata ini membantu Anda mengungkapkan dan memperkirakan pola temporal yang berguna dalam data retrospektif dan real-time. Jenis rata-rata bergerak paling sederhana dimulai pada beberapa sampel seri, dan menggunakan rata-rata posisi itu ditambah posisi n sebelumnya alih-alih nilai aktual. (Anda dapat mendefinisikan n sesuka Anda.) Semakin lama periode n di mana rata-rata dihitung, semakin sedikit varians yang akan Anda miliki di antara nilai. Selain itu, saat Anda meningkatkan jumlah nilai yang digunakan, semakin sedikit efek nilai tunggal pada rata-rata yang dihasilkan.

Rata-rata bergerak bisa satu sisi atau dua sisi. Dalam rata-rata satu sisi, hanya nilai sebelum nilai indeks yang digunakan. Dalam rata-rata dua sisi, nilai masa lalu dan masa depan digunakan.

Untuk skenario di mana Anda membaca data streaming, rata-rata pergerakan kumulatif dan tertimbang sangat berguna. Rata-rata perpindahan kumulatif memperhitungkan poin sebelum periode saat ini.

Anda dapat menimbang semua poin data secara merata saat menghitung rata-rata, atau Anda dapat memastikan bahwa nilai yang lebih dekat dengan titik data saat ini berbobot lebih kuat. Dalam rata-rata bergerak tertimbang, semua bobot harus berjumlah 1.

Dalam rata-rata bergerak eksponensial, rata-rata terdiri dari kepala dan ekor, yang dapat ditimbang. Ekor berbobot ringan berarti bahwa ekor mengikuti kepala dengan cukup dekat, sehingga rata-rata ber perilaku seperti rata-rata bergerak pada periode pembobotan pendek. Ketika bobot ekor lebih berat, rata-rata berperilaku lebih seperti rata-rata bergerak yang lebih sederhana.

Cara mengonfigurasi Filter Rata-Rata Bergerak

  1. Tambahkan modul Filter Rata-Rata Bergerak ke eksperimen Anda. Anda dapat menemukan modul ini di bawah Transformasi Data, dalam kategori Filter .

  2. Untuk Panjang, ketik nilai bilangan bulerang positif yang menentukan ukuran total jendela tempat filter diterapkan. Ini juga disebut masker filter. Untuk rata-rata bergerak, panjang filter menentukan berapa banyak nilai rata-rata di jendela geser.

    Filter yang lebih panjang juga disebut filter urutan yang lebih tinggi , dan menyediakan jendela perhitungan yang lebih besar dan perkiraan yang lebih dekat dari garis tren.

    Filter urutan yang lebih pendek atau lebih rendah menggunakan jendela perhitungan yang lebih kecil dan lebih menyerupai data asli.

  3. Untuk Jenis, pilih jenis rata-rata bergerak yang akan diterapkan.

    Pembelajaran Mesin Studio (klasik) mendukung jenis penghitungan rata-rata bergerak berikut:

    Sederhana: Rata-rata bergerak sederhana (SMA) dihitung sebagai rata-rata bergulir yang tidak tertahankan.

    Segitiga: Rata-rata pergerakan segitiga (TMA) rata-rata dua kali untuk garis tren yang lebih halus. Kata segitiga berasal dari bentuk bobot yang diterapkan ke data, yang menekankan nilai pusat.

    Sederhana Eksponensial: Rata-rata bergerak eksponensial (EMA) memberikan lebih banyak bobot ke data terbaru. Pembobotan turun secara eksponensial.

    Eksponensial: Rata-rata pergerakan eksponensial yang dimodifikasi menghitung rata-rata bergerak yang berjalan, di mana menghitung rata-rata pergerakan pada satu titik mempertimbangkan rata-rata pergerakan yang dihitung sebelumnya di semua titik sebelumnya. Metode ini menghasilkan garis tren yang lebih halus.

    Kumulatif: Mengingat satu titik dan rata-rata pergerakan saat ini, rata-rata pergerakan kumulatif (CMA) menghitung rata-rata pergerakan pada titik saat ini.

  4. Tambahkan himpunan data yang memiliki nilai yang ingin Anda komputasi rata-rata bergeraknya, dan tambahkan modul Terapkan Filter .

    Koneksi Filter Rata-Rata Bergerak ke input sebelah kiri Terapkan Filter, dan sambungkan himpunan data ke input sebelah kanan.

  5. Di modul Terapkan Filter , gunakan pemilih kolom untuk menentukan kolom mana filter harus diterapkan. Secara default, transformasi filter diterapkan ke semua kolom numerik, jadi pastikan untuk mengecualikan kolom apa pun yang tidak memiliki data yang sesuai.

  6. Jalankan eksperimen.

    Untuk setiap set nilai yang ditentukan oleh parameter panjang filter, nilai saat ini (atau indeks) diganti dengan nilai rata-rata bergerak.

Contoh

Untuk contoh bagaimana filter digunakan dalam pembelajaran mesin, lihat eksperimen ini di Galeri Azure AI:

  • Filter: Eksperimen ini menunjukkan semua jenis filter, menggunakan himpunan data bentuk gelombang yang direkayasa.

Parameter modul

Nama Rentang Jenis Default Deskripsi
Panjang >=1 Bilangan bulat 5 Mengatur panjang jendela rata-rata bergerak
Jenis Apa pun MovingAverageType Tentukan jenis rata-rata bergerak yang akan dibuat

Output

Nama Jenis Deskripsi
Filter Antarmuka IFilter Implementasi filter

Lihat juga

Filter
Terapkan Filter
Daftar Modul A-Z
Sampel filter tambahan

  • Last updated on