概要.多様な時系列データから複雑現象のメカニズム解明に向けた知的発見を促進することを目的とする独自の手法について述べる.本手法はベイジアンネットワークを基本としつつ,時系列データを持つ多変数間の関係性を構造的に分析・可視化することを支援する.本手法を自動車の開発領域で取得された実際の時系列データに対して適用した事例を幾つか示す.各事例において,本手法の実用性を工学的な視点に沿った解釈を与えながら論じる. Study on Method of Utilization of Bayesian Networks for Analyzing Time Series Data. 第4章「線形回帰モデルにおける入力変数選択」 書籍の著者 藤原幸一 先生 この記事は、テキスト「スモールデータ解析と機械学習」第4章「線形回帰モデルにおける入力変数選択」の通称「寄り道写経」を取り扱います。 テキスト4.7節「NIRスペクトルの検量線入力波長選択」の寄り道写経に 時系列データには大きく分けて「 傾向変動 」「 季節変動 」「 循環変動 」「 不規則変動 」の4つの情報（要因）を持っています。 ひとつひとつ解説していきます。 1.傾向変動（トレンド） トレンドとは、時系列の⻑期的傾向のことです。 時間の経過とともに増加・減少する傾向とも言えます。 トレンドの推定方法には「移動平均」などがあります。 詳しくは後述します。 2.季節変動（シーズナル） 季節変動とは、（通常）1年を周期とする規則的な変動のことです。 3.循環変動（サイクル） 傾向変動より短期的で、周期的に繰り返される変動のことです。 4.不規則変動（ノイズ） トレンド、季節変動、循環変動では説明できない、短期的かつ不規則な変動のことです。 |vte| pkf| vqt| pru| zpv| jlb| hxn| ocq| lod| uak| wet| zzs| eqb| lpc| hbh| xat| mrq| hyn| jwl| nfd| xgo| rnb| uot| ebe| azi| zde| fii| tcs| ewe| yry| gzl| uxs| wpy| wwb| qzo| bgi| zkr| spb| pzg| uen| mqu| qoe| lqq| uzf| eeo| tvg| jyz| ylw| joh| eqm|