Moving Average Filter

Crea un filtro a media mobile usato per semplificare i dati per l'analisi delle tendenze

Categoria: Trasformazione dati/Filtro

Panoramica del modulo

Questo articolo descrive come usare il modulo Filtro medio mobile in Machine Learning Studio (versione classica) per calcolare una serie di medie affiancate o affiancate su un set di dati, usando una lunghezza di finestra specificata.

Dopo aver definito un filtro che soddisfi le proprie esigenze, è possibile applicarlo alle colonne selezionate in un set di dati connettendolo al modulo Applica filtro . Il modulo esegue tutti i calcoli e sostituisce i valori all'interno di colonne numeriche con medie mobili corrispondenti.

È possibile usare la media mobile risultante per il tracciato e la visualizzazione, ovvero una nuova linea di base uniforme per la modellazione, per il calcolo di varianze rispetto al calcolo per periodi simili e così via.

Informazioni e uso delle medie mobili

Questo tipo di media semplifica il rilevamento e la previsione di modelli temporali utili in dati retrospettivi e in tempo reale. Il tipo più semplice di media mobile inizia da un punto qualsiasi della serie e usa la media in corrispondenza di quel punto più quella delle posizioni n precedenti anziché il valore effettivo. È possibile definire n come si preferisce. Più lungo è il periodo n in cui viene calcolata la media, minore sarà la varianza tra i valori. Inoltre, maggiore è il numero di valori usati, minore è l'effetto di ogni singolo valore sulla media risultante.

Una media mobile può essere unilaterale o bilaterale. In una media unilaterale vengono usati solo i valori che precedono il valore di indice. In una media bilaterale vengono usati i valori precedenti e successivi al valore di indice.

Per gli scenari in cui si leggono dati di flusso, sono particolarmente utili le medie mobili cumulative e ponderate. Una media mobile cumulativa prende in considerazione i punti che precedono il periodo attuale.

È possibile ponderare tutti i punti dati in modo equivalente durante il calcolo della media oppure è possibile assicurarsi che i valori più vicini al punto dati attuale abbiano un peso maggiore. In una media mobile ponderata la somma di tutti i pesi deve essere pari a 1.

In una media mobile esponenziale le medie consistono in una testa e una coda, che sono ponderabili. Se una coda ha una ponderazione leggera significa che la coda è vicina all'intestazione, pertanto la media si comporta come una media mobile in un periodo di ponderazione breve. Se la ponderazione della coda è più pesante, la media è più simile a una media mobile semplice più lunga.

Come configurare il filtro media mobile

1. Aggiungere il modulo Moving Average Filter all'esperimento. Questo modulo è disponibile in Trasformazione dati nella categoria Filtro .

2. Per Length digitare un valore di numero intero positivo che definisce le dimensioni totali della finestra in cui viene applicato il filtro. Questa operazione è detta anche maschera di filtro. Per una media mobile, la lunghezza del filtro determina il numero di valori medi nella finestra scorrevole.

   I filtri più lunghi sono detti anche filtri di ordine superiore e forniscono una finestra più ampia di calcolo e un'approssimazione più vicina della linea di tendenza.

   I filtri di ordine più brevi o inferiori usano una finestra di calcolo più piccola e sono più simili ai dati originali.

3. In Tipo scegliere il tipo di media mobile da applicare.

   Machine Learning Studio (versione classica) supporta i tipi di calcoli medi mobili seguenti:

   Semplice: una media mobile semplice (SMA) viene calcolata come media mobile non ponderata.

   Triangolare: le medie mobili triangolari (TMA) vengono mediate due volte per una linea di tendenza più liscia. La parola triangolare deriva dalla forma dei pesi applicati ai dati, che enfatizza i valori centrali.

   Esponenziale semplice: una media mobile esponenziale (EMA) dà più peso ai dati più recenti. La ponderazione si riduce in modo esponenziale.

   Esponenziale: una media mobile esponenziale modificata calcola una media mobile in esecuzione, in cui il calcolo della media mobile in qualsiasi punto considera la media mobile calcolata in precedenza in tutti i punti precedenti. Questo metodo produce una linea di tendenza più uniforme.

   Cumulativo: dato un singolo punto e una media mobile corrente, la media mobile cumulativa calcola la media mobile in corrispondenza del punto corrente.

4. Aggiungere il set di dati con i valori per cui calcolare una media mobile e aggiungere il modulo Applica filtro .

   Connessione il filtro media mobile all'input a sinistra di Applica filtro e connettere il set di dati all'input di destra.

5. Nel modulo Applica filtro usare il selettore di colonna per specificare le colonne a cui applicare il filtro. Per impostazione predefinita, la trasformazione filtro viene applicata a tutte le colonne numeriche, quindi assicurarsi di escludere tutte le colonne che non dispongono di dati appropriati.

6. Eseguire l'esperimento.

   Per ogni set di valori definito dal parametro di lunghezza del filtro, il valore corrente (o indice) viene sostituito con il valore medio mobile.

Esempio

Per esempi di come vengono usati i filtri in Machine Learning, vedere questo esperimento in Azure AI Gallery:

• Filtri: questo esperimento illustra tutti i tipi di filtro, usando un set di dati a forma d'onda progettato.

Parametri del modulo

Output

Vedere anche

Filter
Applica filtro
Elenco moduli A-Z
Esempi di filtro aggiuntivi