AutoRegressive (AR) মডেল টাইম সিরিজ ডেটার পূর্ববর্তী মানের উপর ভিত্তি করে ভবিষ্যৎ মানের পূর্বাভাস দেওয়ার জন্য ব্যবহৃত একটি স্ট্যাটিস্টিক্যাল মডেল। AR মডেলটি বিশেষভাবে টাইম সিরিজ ডেটার ট্রেন্ড এবং গতানুগতিক সম্পর্ক চিহ্নিত করতে ব্যবহৃত হয়।
যেহেতু AR মডেল একটি লিনিয়ার মডেল, এর একটি প্রধান হাইপারপ্যারামিটার হল ল্যাগ সংখ্যা (lag order), যা পূর্ববর্তী টাইম পয়েন্টের সংখ্যা যা মডেল ভবিষ্যদ্বাণী করার জন্য ব্যবহার করবে। এই ল্যাগ সংখ্যা বা প্যারামিটার যথাযথভাবে নির্বাচন করা মডেলের কার্যকারিতা এবং পূর্বাভাসের সঠিকতা বাড়াতে সহায়ক।
AR মডেলের হাইপারপ্যারামিটার টিউনিংয়ের ধাপ:
১. ল্যাগ সংখ্যা (p) নির্বাচন
AR মডেলের প্রধান হাইপারপ্যারামিটার হল ল্যাগ সংখ্যা (p), যা মডেলটি কতগুলি পূর্ববর্তী মান (যেমন: p সময়ের আগের ডেটা পয়েন্ট) ব্যবহার করবে তা নির্ধারণ করে।
পদ্ধতি:
- অটো-কোর্লেশন প্লট (ACF): অটো-কোর্লেশন প্লট বা PACF (Partial Autocorrelation Function) প্লট ব্যবহার করে ল্যাগ সংখ্যা চিহ্নিত করা যায়।
- PACF: এটি নির্ধারণে সহায়ক যে কোন ল্যাগগুলি সরাসরি পূর্ববর্তী মানের সাথে সম্পর্কিত, এবং এটি AR মডেল নির্বাচনে সহায়ক।
- AIC/BIC কমানো: Akaike Information Criterion (AIC) এবং Bayesian Information Criterion (BIC) ব্যবহার করে মডেলের কার্যকারিতা মূল্যায়ন করা হয়। ছোট AIC বা BIC মান পছন্দযোগ্য, যা মডেলের দক্ষতা এবং সাধারণীকরণের মধ্যে একটি ভাল ভারসাম্য রক্ষা করে।
PACF প্লট উদাহরণ (Python):
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_pacf
import pandas as pd
# Time Series Data
data = pd.Series([100, 120, 150, 130, 160, 170, 180, 190])
# Plot PACF (Partial Autocorrelation Function)
plot_pacf(data, lags=6)
plt.show()
২. AIC/BIC ব্যবহার করা
AIC এবং BIC হল স্ট্যাটিস্টিক্যাল মডেল সিলেকশন টুল, যা মডেলের ফিট এবং সাধারণীকরণের মধ্যে ভারসাম্য খুঁজে পেতে সাহায্য করে। AR মডেলের জন্য এই মানের মাধ্যমে আপনি সর্বোত্তম ল্যাগ সংখ্যা নির্ধারণ করতে পারেন।
পদ্ধতি:
- বিভিন্ন ল্যাগের জন্য AIC বা BIC বের করুন।
- যত কম AIC বা BIC মান, তত ভাল মডেল।
AIC/BIC উদাহরণ (Python):
from statsmodels.tsa.ar_model import AutoReg
# Fit AR model for different lags and calculate AIC/BIC
model_1 = AutoReg(data, lags=1).fit()
model_2 = AutoReg(data, lags=2).fit()
# Compare AIC/BIC
print(f'AIC for lag 1: {model_1.aic}')
print(f'AIC for lag 2: {model_2.aic}')
৩. গ্রিড সার্চ (Grid Search)
গ্রিড সার্চ একটি অটোমেটেড পদ্ধতি যা বিভিন্ন হাইপারপ্যারামিটার সেটিংসের উপর ভিত্তি করে সেরা মডেল নির্বাচন করতে সহায়ক। এটি অনেক ল্যাগের জন্য AIC/BIC বা অন্যান্য মূল্যায়ন মেট্রিকের উপর ভিত্তি করে সেরা ল্যাগ সংখ্যা নির্ধারণ করতে সাহায্য করে।
পদ্ধতি:
- নির্দিষ্ট ল্যাগ সংখ্যা পরিসর তৈরি করুন।
- প্রতিটি ল্যাগের জন্য AR মডেল ফিট করুন এবং AIC/BIC মানগুলি তুলনা করুন।
- সেরা ফলাফল পেতে আপনি কাস্টম স্কোরিং ফাংশন তৈরি করতে পারেন।
গ্রিড সার্চ উদাহরণ (Python):
import numpy as np
from sklearn.model_selection import GridSearchCV
from statsmodels.tsa.ar_model import AutoReg
# Grid search for lag values
lags = np.arange(1, 10)
best_aic = float('inf')
best_lag = None
for lag in lags:
model = AutoReg(data, lags=lag).fit()
if model.aic < best_aic:
best_aic = model.aic
best_lag = lag
print(f"Best lag: {best_lag} with AIC: {best_aic}")
৪. মডেল ফিট এবং ফলাফল মূল্যায়ন
একবার হাইপারপ্যারামিটার (ল্যাগ সংখ্যা) নির্বাচন করা হলে, মডেলটির ফিট এবং ফলাফল মূল্যায়ন করা হয়। এটি মূলত পরীক্ষা ডেটা সেটে মডেলের পূর্বাভাস এবং প্রকৃত মানের মধ্যে পার্থক্য চেক করা।
পদ্ধতি:
- মিন স্কোয়ার্ড এরর (MSE), রুট মিন স্কোয়ার্ড এরর (RMSE) বা Mean Absolute Error (MAE) দিয়ে মডেলের পূর্বাভাসের সঠিকতা যাচাই করা।
- ভবিষ্যত মানের জন্য মডেলটি ব্যবহার করে পূর্বাভাস তৈরি করা।
ফলাফল মূল্যায়ন উদাহরণ (Python):
from sklearn.metrics import mean_squared_error
import numpy as np
# Split data into training and testing
train_data = data[:-10]
test_data = data[-10:]
# Fit AR model with optimal lag (let's say lag=2)
model = AutoReg(train_data, lags=2).fit()
# Make predictions
predictions = model.predict(start=len(train_data), end=len(train_data) + len(test_data) - 1)
# Calculate MSE
mse = mean_squared_error(test_data, predictions)
rmse = np.sqrt(mse)
print(f'RMSE: {rmse}')
সারাংশ
AR মডেলের হাইপারপ্যারামিটার টিউনিং মূলত ল্যাগ সংখ্যা (p) নির্ধারণের উপর গুরুত্ব দেয়। ল্যাগ সংখ্যা নির্ধারণে PACF প্লট, AIC/BIC, এবং গ্রিড সার্চ ব্যবহার করা হয়। সঠিক ল্যাগ নির্বাচন করে মডেলের পারফরমেন্স উন্নত করা যেতে পারে, যা পূর্বাভাসের সঠিকতা বাড়ায়।
Read more
