LSTM vs NeuralProphet Forecasting Time Series
Vložit
- čas přidán 13. 06. 2024
- En esta ocasión vamos a realizar una comparación de dos modelos de Redes neurales con 2 librerías diferentes para realizar #Forecasting de #timeseries
1. #LSTM de #NeuralForecast por #Nixtla
2. #NeuralProphet de Meta
Vamos a entrenar cada modelo y luego vamos a compararlo con diferentes métricas cada uno, la comparación será "Zero-Shot Learning", Modelos sin muchos parámetros para ambos casos.
gran video, lo intentaré
Gracias!!!
Si puedes compartelo!!!
Saludos 💪
Hola buenas tardes, excelente video!
Cree que pueda hacer un video sobre forecasting espacio-temporal?
Gracias por el comentario... Ah qué te refieres con espacio tiempo?!!
Muy buen video , gracias .
Crees que si la serie no fuera estacionaria , ni tampoco con tan clara estacionalidad , neural profet seria mejor que LSMT ?
Se le pueden agregar datos para que la serie tome en cuenta con neural profet como seria porcentaje de ads publicados contra vendidos por cada hora , ciudad , idioma , etc , es decir , mas variables para tomar en cuenta para sus predicciones ?
Gracias por comentar... Si claro, creo que puede ser mejor que LSTM... Neuralprophet puede agregarle variables exógenas y ademas de eso, puedes agregarle una cantidad de parámetros que capturan la estacionalidad ver(czcams.com/video/nZDbI6zSmjE/video.html)... En estos tipo de series temporales no es necesario que la serie de tiempo sea estacionaria, seria suerte si la serie tal cual como venga lo es, pero tampoco es necesario hacerla estacionaria, por los modelo que se están usando, estos modelos no requieren que la serie lo sea, ademas trabajan con datos lineales y no lineales y que ademas no son estacionario, obviamente la estacionariedad puede ayudar a que la serie temporal el modelo aprenda mejor, pero no es un requisito como los modelos arima o autoregresivo que la serie deban de ser estacionaria... Saludos.. si puedes comparte!!!
@@narencastellon Voy a ver el video y compartir tus videos con la gente que conozco. 👍
@@EduardoMarck-jo6mt gracias.., saludos 💪