tfp.sts.forcast only applies to future data. Is it possible to "predict" training data?
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 5/5
- Tiempo estimado
- Más de una semana
- Aptitud para principiantes
- 20/100
- Tipo de issue
- Nueva funcionalidad
- Claridad
- Necesita aclaración
- Estado de actividad
- Estancado
- Área
- machine-learning
Línea de trabajo
Comience con tfp.sts.forcast y el material sobre predicción con Structural Time Series; determine si sus entradas admiten predicciones sobre pasos temporales de entrenamiento observados, en lugar de únicamente pasos futuros. Defina el comportamiento esperado dentro de la muestra y la salida de comparación antes de decidir si se necesita un cambio en la API o documentación.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
I am using the Structural Time Series of TensorFlow Probability.
I separated my data(1 year) into training data (10 months) and test data (2 months).
After building the model and forecasting, I wondered whether it is possible to "predict" the training data so that I can compare the performance of the model in the training data interval.
Since the arguments of "tfp.sts.forcast" can only specify "num_steps_forecast" which does not include that option, I would ask here.
- Lenguaje dominante
- Jupyter Notebook
- Estrellas
- 4.4k
- Forks
- 1.1k
- Métricas de merge de PR
- Sin PR fusionados en 30 d
Preparar el entorno
- Sin Dockerfile ni archivo de Docker Compose
- Sin plantilla de pull request
- Leer la guía de contribución
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de tensorflow/probability
-
KL divergence between two `TransformedDistribution`s with a shared non-injective bijector (`AbsoluteValue`) returns the base KLPosiblemente ocupada @Andreas-Hum la tomó hace 8 días. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
tensorflow/probability#2036 ·
-
Dificultad 3/5 1-2 días Aptitud para principiantes 68/100
tensorflow/probability#2034 ·
-
Dificultad 5/5 Más de una semana Aptitud para principiantes 35/100
tensorflow/probability#2021 ·
-
Dificultad 4/5 3-5 días Aptitud para principiantes 30/100
tensorflow/probability#2015 ·
-
Dificultad 3/5 1-2 días Aptitud para principiantes 48/100
tensorflow/probability#2013 ·
Todos los issues de tensorflow/probability
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 62/100
vllm-project/vllm-ascend#21392 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
bug
Dificultad 2/5 1-3 horas Aptitud para principiantes 68/100
Los mantenedores suelen responder en 2 días
-
Dificultad 1/5 Menos de una hora Aptitud para principiantes 85/100
Los mantenedores suelen responder en 1 día
-
[EPIC] filterax roadmapAbiertotype:epic-wave
Dificultad 2/5 1-3 horas Aptitud para principiantes 75/100
jejjohnson/filterax#204 ·
Los mantenedores suelen responder en 1 día
-
Add an example for ADWINMeterAbiertodocumentation good first issue
Dificultad 2/5 1-3 horas Aptitud para principiantes 88/100
selimfirat/pysad#644 ·
Los mantenedores suelen responder en 1 día