Análisis Práctico de Series Temporales

Capítulo 12. Consideraciones de rendimiento en el ajuste y servicio de modelos de series temporales

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

En la literatura sobre el aprendizaje automático y los análisis estadísticos, la atención abrumadora tiende a centrarse en el rendimiento de los modelos en términos de precisión. Aunque la precisión debería ser normalmente la principal preocupación al evaluar un modelo, a veces las consideraciones de rendimiento computacional importan enormemente ante grandes conjuntos de datos o modelos ampliamente desplegados para servir a grandes poblaciones de aplicaciones de clientes.

Los conjuntos de datos de series temporales llegan a ser tan grandes que los análisis no pueden realizarse en absoluto -o no pueden realizarse correctamente- porque exigen demasiado de los recursos informáticos disponibles. En tales casos, muchas organizaciones tratan sus opciones del siguiente modo:

• Aumentar los recursos informáticos (caro y a menudo derrochador, tanto económica como medioambientalmente).

• Hacer mal el proyecto (no afinar suficientemente los hiperparámetros, no tener suficientes datos, etc.).

• No hagas el proyecto.¹

Ninguna de estas opciones es satisfactoria, sobre todo cuando acabas de empezar con un nuevo conjunto de datos o una nueva técnica analítica. Puede ser frustrante no saber si tus fracasos se deben a unos datos deficientes, a un problema demasiado difícil o a la falta ...