Forking-Sequences 第二篇：多時域預測整合降低波動
Forking-Sequences — Part II: Multi-Horizon Forecast Ensembling with Reduced Volatility
重點導讀
Forking-Sequences 第二篇研究提出預測波動指標與推論期整合方法，以降低多時域預測的修訂波動。
- - 波動指標：sFPC 可在預測時即時追蹤修訂幅度，不需真值。
- sEV 則需真值回溯評估，並區分改善準確度與有害的預測修訂。
推薦理由
文章區分可即時追蹤修訂幅度的 sFPC 與需真值評估的 sEV，並以多種模型實驗呈現整合降低波動而幾乎不損及準確度的幅度。
信源出處blog.ml.cmu.edu
Forking-Sequences — Part II: Multi-Horizon Forecast Ensembling with Reduced Volatility
本文為 888news 精選之重點導讀。若需閱讀作者完整原文、技術細節與官方討論，請前往原始網站。
來源： CMU Machine Learning Blog (blog.ml.cmu.edu)
開啟原文