Pourquoi l'analyse des séries chronologiques n'est-elle pas considérée comme un algorithme d'apprentissage automatique (contrairement à la régression linéaire).
La régression et l'analyse des séries chronologiques sont des méthodes de prévision. Alors pourquoi l'un d'eux est-il considéré comme un algorithme d'apprentissage mais pas l'autre?
Réponses:
Comme le fait remarquer dsaxton , l '"analyse des séries chronologiques" n'est ni un algorithme ni une méthode de prévision. C'est un domaine d'étude . De plus, une grande partie de l'analyse des séries chronologiques ne concerne même pas la prévision, mais uniquement la compréhension de la dynamique passée d'une série chronologique (par exemple, la détection des points de changement).
Des techniques spécifiques d'analyse de séries temporelles adaptées à la prévision , comme les modèles ARIMA ou le lissage exponentiel, pourraient certainement être appelées «algorithmes d'apprentissage» et être considérées comme faisant partie de l'apprentissage automatique (ML) tout comme pour la régression. Ils le sont tout simplement rarement.
Je dirais que cela reflète que l'analyse des séries temporelles avait déjà été très bien établie et avait développé son propre langage au moment où ML est apparue, donc peu d'analystes de séries temporelles penseront à ce qu'ils font comme l'apprentissage automatique (tout comme peu de statisticiens penseront de régression en ML - c'est la communauté ML qui classe les méthodes établies sous la nomenclature ML).
Inversement, la communauté ML n'a pas vraiment fait grand-chose avec les séries temporelles en soi, et les algorithmes ML "classiques" comme les réseaux de neurones n'ont vraiment pas trop réussi dans le sens de surclasser clairement les algorithmes classiques des séries temporelles pour la prévision. Si vous modélisez votre dynamique temporelle dans un algorithme ML, vous êtes déjà assez proche d'un modèle ARIMA, mais si vous ne le faites pas, vous manquez vraiment beaucoup de structure qui aiderait à la prévision.
la source