Previsión de series temporales con XGBoost

9 de Octubre de 2022 · 1 min de lectura

XGBoost_series_temporales_PyConES2022

Juan Carlos González-Avella, Chief Data Science Officer de APSL, y Jaume Perelló, Data Solutions Manager, destacaron el uso de XGBoost como un enfoque avanzado para el análisis de series de tiempo en la charla que dieron en la PyConES el pasado fin de semana.

Durante su intervención en la conferencia anual de Python España, titulada «Regresión al futuro», se refirieron al alto grado de especialización que exige el pronóstico de series temporales, antes de explicar las características del modelo incardinado en el proyecto de APSL Themis.

analisis_predictivos_técnicas_autorregresivas

Como aproximación al desarrollo de un modelo XGBoost para la previsión de series de tiempo, describieron el uso de los conjuntos de datos y su transformación en datos para el aprendizaje supervisado mediante una representación de ventana deslizante. También mostraron cómo ajustar, evaluar y hacer predicciones con tal modelo.


El vídeo de la charla está disponible aquí y la presentación puede descargarse desde aquí.


Comparte este artículo
Etiquetas
Artículos relacionados