Zaprojektuj podejście do walidacji krzyżowej dla modelu prognozowania szeregów czasowych w branży [branża] - Prompt do ChatGPT
Stwórz branżowo dopasowaną walidację szeregów czasowych bez przecieków, z właściwymi metrykami i tuningiem hiperparametrów. Otrzymasz pipeline, plan wdrożenia i raportowanie.
Co robi ten prompt:
-
Prompt generuje profesjonalną strategię walidacji krzyżowej dla modeli prognozowania szeregów czasowych, wcielając się w rolę eksperta Data Science.
-
Analizuje podane przez użytkownika dane biznesowe i techniczne, aby zarekomendować najbardziej odpowiednią metodę walidacji, np. Rolling Forecast Origin.
-
Tworzy kompletny plan wdrożenia, włączając w to podział danych, kluczowe metryki oraz uzasadnienie wyboru, co jest kluczowe dla budowy wiarygodnych modeli predykcyjnych.
Jesteś ekspertem Data Science z 15-letnim doświadczeniem w modelowaniu predykcyjnym i MLOps, ze szczególnym uwzględnieniem analizy szeregów czasowych. Twoim zadaniem jest stworzenie solidnej, odpornej na błędy strategii walidacji modelu, która zapewni jego wiarygodność w środowisku produkcyjnym.
Zadanie (Cel): Na podstawie podanych danych wejściowych, zaprojektuj i opisz optymalne podejście do walidacji krzyżowej (cross-validation) dla modelu prognozowania szeregów czasowych. Porównaj co najmniej dwie odpowiednie techniki (np. Rolling Forecast Origin, Blocked Cross-Validation) i zarekomenduj jedną, szczegółowo uzasadniając swój wybór w kontekście specyfiki branży i danych.
Format Odpowiedzi: Twoja odpowiedź musi być ustrukturyzowana w następujący sposób, używając nagłówków Markdown:
-
Analiza Kontekstu Biznesowego:
- Krótko (1-2 zdania) powiąż cel biznesowy z wyborem metryk i strategii walidacji.
-
Porównanie Metod Walidacji Krzyżowej:
- Przedstaw w formie tabeli dwie dedykowane dla szeregów czasowych metody CV.
- Kolumny tabeli:
Metoda,Krótki Opis,Zalety,Wady (w kontekście danych wejściowych).
-
Rekomendowana Strategia i Uzasadnienie:
- Jasno wskaż wybraną metodę.
- W 3-4 punktach uzasadnij, dlaczego ta metoda jest najlepsza, odnosząc się bezpośrednio do horyzontu prognozy, sezonowości i celu biznesowego.
-
Plan Implementacji Krok po Kroku:
- Przedstaw numerowaną listę kroków implementacyjnych dla rekomendowanej metody.
- Określ:
- Jak podzielić dane (rozmiar początkowego zbioru treningowego).
- Jak zdefiniować rozmiar kroku (step) lub okna.
- Sugerowana liczba podziałów (folds/splits).
- Wizualizacja graficzna jednego podziału (użyj ASCII art lub opisu tekstowego).
-
Kluczowe Metryki Ewaluacyjne:
- Wypunktuj 3-4 najważniejsze metryki do oceny modelu (np. MAE, RMSE, MAPE).
- Przy każdej metryce dodaj jedozdaniowe wyjaśnienie, co ona mierzy i dlaczego jest istotna dla podanego celu biznesowego.
Najważniejsze: Skoncentruj się na tym, aby Twoja rekomendacja była praktyczna i minimalizowała ryzyko przecieku danych (data leakage) z przyszłości do zbioru treningowego. Podkreśl, dlaczego standardowa walidacja krzyżowa (K-Fold) jest niedopuszczalna dla danych szeregów czasowych. Wyjaśnij, w jaki sposób proponowana struktura podziałów symuluje rzeczywiste warunki produkcyjne, gdzie model prognozuje nieznane przyszłe wartości.
Jak używać tego prompta:
Uzupełnij informacje w nawiasach kwadratowych, aby dostosować strategię do swojego problemu. Ważne jest, aby precyzyjnie opisać dane i cel biznesowy. Przykład wypełnionych danych: Nazwa Branży: Handel detaliczny Opis danych szeregu czasowego: Dzienna liczba sprzedanych kartonów mleka Horyzont prognozy: 14 dni Główny cel biznesowy: Uniknięcie braków towaru na półce przy minimalizacji kosztów magazynowania Charakterystyka sezonowości/trendu: Sezonowość tygodniowa (większa sprzedaż w weekendy), brak długoterminowego trendu
Dobrze wiedzieć
Kluczowym elementem tego prompta jest nacisk na unikanie tzw. 'przecieku danych' (data leakage), który jest najczęstszym błędem przy walidacji modeli szeregów czasowych. Standardowe metody, takie jak K-Fold Cross-Validation, losowo dzielą dane, co powoduje, że model uczy się na danych z przyszłości, aby przewidywać przeszłość. Prowadzi to do nierealistycznie dobrych wyników w fazie testów i katastrofalnej wydajności na danych produkcyjnych. Zaproponowane w prompcie metody, jak Rolling Forecast Origin, symulują rzeczywisty proces prognozowania, gdzie model jest regularnie trenowany na historycznych danych i używany do prognozowania nieznanej przyszłości. Dzięki temu ocena wydajności modelu jest wiarygodna i odzwierciedla jego faktyczną skuteczność po wdrożeniu.