Filtro médio móvel

Importante

O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.

A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).

• Consulte informações sobre projetos de machine learning em movimento de ML Studio (clássico) para Azure Machine Learning.
• Saiba mais sobre Azure Machine Learning.

A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.

Cria um filtro médio móvel usado para suavizar dados para análise de tendências

Categoria: Transformação de Dados / Filtro

Nota

Aplica-se a: Machine Learning Studio (clássico) apenas

Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.

Visão geral do módulo

Este artigo descreve como utilizar o módulo de filtro médio móvel no Machine Learning Studio (clássico), para calcular uma série de médias unilaterais ou de dois lados ao longo de um conjunto de dados, utilizando um comprimento de janela que especifica.

Depois de ter definido um filtro que satisfaça as suas necessidades, pode aplicá-lo a colunas selecionadas num conjunto de dados, ligando-o ao módulo 'Filtro de Aplicação '. O módulo faz todos os cálculos e substitui valores dentro de colunas numéricas por médias móveis correspondentes.

Pode utilizar a média móvel resultante para a tramação e visualização, como uma nova linha de base suave para modelação, para calcular variações contra cálculos para períodos semelhantes, e assim por diante.

Dica

É necessário filtrar dados de um conjunto de dados ou remover valores em falta? Utilize estes módulos em vez disso:

• Limpar dados em falta: Utilize este módulo para remover os valores em falta ou substituir os valores em falta por espaços reservados.
• Partição e Amostra: Utilize este módulo para dividir ou filtrar o conjunto de dados por critérios como uma gama de datas, um valor específico ou expressões regulares.
• Valores do clipe: Utilize este módulo para definir um intervalo e mantenha apenas os valores dentro desse intervalo.

Compreensão e utilização de médias móveis

Este tipo de média ajuda a revelar e prever padrões temporais úteis em dados retrospetivos e em tempo real. O tipo mais simples de média móvel começa em alguma amostra da série, e usa a média dessa posição mais as posições n anteriores em vez do valor real. (Pode definir n como quiser.) Quanto mais tempo o período n em que a média é calculada, menos variação terá entre os valores. Além disso, à medida que aumenta o número de valores utilizados, menos efeito qualquer valor único tem na média resultante.

Uma média móvel pode ser unilateral ou de dois lados. Numa média unilateral, apenas são utilizados valores anteriores ao valor do índice. Numa média de duas faces são utilizados valores passados e futuros.

Para cenários em que está a ler dados de streaming, as médias móveis cumulativas e ponderadas são particularmente úteis. Uma média móvel cumulativa tem em conta os pontos anteriores ao período em curso.

Pode ponderar todos os pontos de dados de forma igual ao calcular a média, ou pode garantir que os valores mais próximos do ponto de dados atual são ponderados de forma mais forte. Numa média ponderada, todos os pesos devem somar até 1.

Numa média de movimento exponencial, as médias consistem de uma cabeça e uma cauda, que podem ser ponderadas. Uma cauda levemente ponderada significa que a cauda segue a cabeça muito de perto, de modo que a média se comporta como uma média móvel em um curto período de ponderação. Quando os pesos da cauda são mais pesados, a média comporta-se mais como uma média móvel mais longa e simples.

Como configurar o filtro médio móvel

1. Adicione o módulo de filtro médio móvel à sua experiência. Pode encontrar este módulo na categoria De Transformação de Dados, na categoria Filtro .

2. Para comprimento, digite um valor de número inteiro positivo que define o tamanho total da janela através da qual o filtro é aplicado. Isto também é chamado de máscara de filtro. Para uma média móvel, o comprimento do filtro determina quantos valores são médios na janela deslizante.

   Filtros mais longos também são chamados filtros de ordem superior , e fornecem uma janela de cálculo maior e uma aproximação mais próxima da linha de tendência.

   Filtros de ordem mais curtos ou inferiores utilizam uma janela de cálculo menor e assemelham-se mais aos dados originais.

3. Para tipo, escolha o tipo de média móvel para aplicar.

   Machine Learning Studio (clássico) suporta os seguintes tipos de cálculos médios móveis:

   Simples: Uma média móvel simples (SMA) é calculada como uma média de rolamento não ponderada.

   Triangular: As médias de movimento triangulares (TMA) são médias duas vezes para uma linha de tendência mais suave. A palavra triangular deriva da forma dos pesos que são aplicados aos dados, o que enfatiza os valores centrais.

   Exponencial Simple: Uma média de movimento exponencial (EMA) dá mais peso aos dados mais recentes. A ponderação cai exponencialmente.

   Exponencial: Uma média de movimento exponencial modificada calcula uma média móvel em funcionamento, onde o cálculo da média móvel em qualquer ponto considera a média móvel previamente calculada em todos os pontos anteriores. Este método produz uma linha de tendência mais suave.

   Cumulativo: Dado um único ponto e uma média móvel atual, a média móvel cumulativa (CMA) calcula a média móvel no ponto atual.

4. Adicione o conjunto de dados que tem os valores para os que pretende calcular uma média móvel e adicione o módulo 'Aplicar filtro '.

   Ligação o filtro de média móvel à entrada esquerda do Filtro De aplicar e ligue o conjunto de dados à entrada da mão direita.

5. No módulo 'Aplicar filtro' , utilize o seletor de colunas para especificar a que colunas o filtro deve ser aplicado. Por padrão, a transformação do filtro é aplicada a todas as colunas numéricas, por isso não se esqueça de excluir quaisquer colunas que não tenham dados apropriados.

6. Execute a experimentação.

   Para cada conjunto de valores definidos pelo parâmetro do comprimento do filtro, o valor atual (ou índice) é substituído pelo valor médio móvel.

Exemplos

Por exemplo, como os filtros são usados na aprendizagem automática, consulte esta experiência na Galeria Azure AI:

• Filtros: Esta experiência demonstra todos os tipos de filtro, utilizando um conjunto de dados de forma de onda projetado.

Parâmetros do módulo

Nome	Intervalo	Tipo	Predefinição	Description
Comprimento	>=1	Número inteiro	5	Desapedaça o comprimento da janela média móvel
Tipo	Qualquer	MovingAverageType		Especificar o tipo de média móvel para criar

Saídas

Nome	Tipo	Descrição
Filtro	Interface IFilter	Implementação do filtro

Ver também

Filtro
Aplicar Filtro
Lista de Módulos A-Z
Amostras adicionais de filtro