お気に入りの予測モデル
内部でどのような予測モデルを使用していますか？この質問は、Lokadの顧客やパートナーの間で頻繁に尋ねられます。
この質問に答えるのは難しい 理由は二つあります:
- 私たちの技術は企業の中核的な資産です。そのため、すべての詳細を公開する予定はありません（ただし、完全に秘密にしているわけでもありません）。
- 私たちの技術は複雑です。多くのモデルを使用しており、その基盤となる要素の一つがまさにモデル選択です。
したがって、Lokadで使用されているモデルの正確なリストを提供する代わりに、私自身のお気に入りのモデルリストを示します。これらのモデルがLokadで使用されているモデルの完全なリストであるとか、すべてが実際に生産で使用されていると主張するわけではありませんが、Lokadで私たちが何をしているかについて何らかの洞察を与えるはずです。
まずは昔ながらのクラシックな手法があります：自己回帰、移動平均、（二重、三重）指数平滑法、Box-Jenkins、Holt-Winters、ARMA、ARIMA … これらのモデルは通常、マルチシリーズやタグ、イベントを扱うことはありませんが、多くの状況では単純さが最も重要です。単純すぎるというだけの理由で、移動平均を却下しないでください it looks too simple to be good.
次に、より高度なモデルについては、_モデル_ではなく_アプローチ_と呼ぶ方が適切です。実際、モデルが複雑であればあるほど、数学者が予測モデルの挙動を微妙に調整する余地が広がります。
ベイジアン・アプローチ：関係のグラフを構築することは、時系列間の相関関係を利用するLokadの文脈において特に有用です。また、タグやイベントに対処するためにも有効です。
広大な余地を持つアプローチ：サポートベクターマシン（SVM）は近年非常に人気があります。ただし、時系列に関して言えば、私たちにとって最も有用なのはサポートベクター回帰（SVR）です。小さな欠点として、SVMとSVRは通常、計算処理能力の面で非常にコストがかかります。
混合／ブースティング・アプローチ：多数の単純な予測子を組み合わせることで全体の予測精度を向上させる手法は効果的です。大量の単純な予測子の組み合わせは、非常に複雑な挙動を反映するために利用できます。
メタヒューリスティック・アプローチ：遺伝的アルゴリズム、ニューラルネットワーク、遺伝的プログラミングその他の進化的／適応的アプローチです。これらの手法は強力ですが、多くの 調整 パラメーターに対する本質的な敏感さでも悪名高いです。
最後に付け加えると、私たちの技術はまだ急速に進化し続けています。新しいモデルが月ごとに生産に投入されています。このリストは決定的なものではなく、クラウドコンピューティングは、以前は単に高すぎたモデルを推進するための多くの機会を実際に生み出しています。
