Cómo se aplica RCF para crear previsiones
Para prever el siguiente valor en una secuencia temporal estacionaria, el algoritmo RCF responde a la pregunta: “¿Cuál sería la finalización más probable, después de tener un valor candidato?”. Utiliza un solo árbol en el RCF para realizar una búsqueda del mejor candidato. Se agregan los candidatos en los diferentes árboles, porque cada uno, en sí mismo, es un predictor débil. La agregación también permite la generación de errores de cuantiles. Este proceso se repite v veces para predecir el valor vésimo en el futuro.
El algoritmo de Amazon QuickSight se denomina BIFOCAL. Utiliza dos RCF para crear una arquitectura biforestal calibrada. El primer RCF se utiliza para filtrar las anomalías y proporcionar una previsión débil, que se corrige con el segundo. En general, este enfoque proporciona previsiones significativamente más sólidas en comparación con otros algoritmos de amplia disponibilidad, como ETS.
El número de parámetros en el algoritmo de previsión de Amazon QuickSight es significativamente menor que en otros algoritmos de amplia disponibilidad. Esto permite que sea útil de manera inmediata, sin ajustes manuales para un mayor número de puntos de datos de series temporales. A medida que se acumulan más datos en una serie temporal determinada, las previsiones en Amazon QuickSight pueden ajustarse a las derivas de datos y a los cambios de patrón. En el caso de las series temporales que muestran tendencias, la detección de estas se realiza en primer lugar para convertir la serie en estacionaria. La previsión de esa secuencia estacionaria se proyecta con la tendencia.
Debido a que el algoritmo se basa en un eficiente algoritmo online (RCF), puede admitir consultas “condicionales” interactivas. En estas, algunas de las previsiones se pueden modificar y tratar como casos hipotéticos para ofrecer previsiones condicionales. Este es el origen de la capacidad de explorar escenarios “condicionales” durante el análisis.
