Termes clés - Principes de la science des données

Termes clés

décomposition additive: décomposition d'une série temporelle en la somme de ses composantes

test de Dickey-Fuller augmenté (ADF): test statistique de stationnarité d'une série temporelle

autocorrélation: mesure de corrélation entre une série temporelle et une version décalée d'elle-même

modèle autorégressif (AR): modèle ou composante d'un modèle qui capture la manière dont la série temporelle dépend de ses propres valeurs antérieures

composante cyclique: variations importantes dans les données qui se répètent sur des périodes plus longues que les fluctuations saisonnières, sans fréquence fixe

détendance: l'une des deux opérations complémentaires permettant de séparer la composante de tendance d'une série temporelle

différenciation: obtenue en calculant les différences entre termes consécutifs, c'est-à-dire $x_{n + 1} - x_{n}$

erreur: mesure dans laquelle les prédictions diffèrent des observations réelles

moyenne mobile exponentielle (EMA): type de moyenne mobile pondérée dans lequel les valeurs les plus récentes reçoivent des poids plus importants et où les poids diminuent de manière exponentielle à mesure que les valeurs s'éloignent dans le passé de la série

prévision: formulation de prédictions sur les valeurs futures et inconnues d'une série temporelle

composante intégrée (I): composante du modèle ARIMA qui représente l'opération de différenciation

décalage: nombre de pas de temps dont une série temporelle est décalée afin de calculer l'autocorrélation

niveau: moyenne de l'ensemble des données de la série temporelle

erreur absolue moyenne (MAE): mesure d'erreur ; $MAE = \frac{1}{n} \sum_{i = 1}^{n} | ε_{i} |$

erreur absolue moyenne en pourcentage (MAPE): mesure d'erreur relative ; $MAPE = \frac{1}{n} \sum_{i = 1}^{n} | \frac{ε_{i}}{x_{i}} |$

mesures d'erreur (ou mesures d'ajustement): métriques utilisées pour évaluer dans quelle mesure les prédictions d'un modèle correspondent aux données observées

décomposition multiplicative: décomposition d'une série temporelle en le produit de ses composantes

méthode de prévision naïve (ou plate): utilisation exclusive de la dernière valeur observée d'une série temporelle pour prédire le terme suivant

bruit (ou erreur aléatoire): variations aléatoires et imprévisibles survenant dans la série temporelle qui ne peuvent pas être attribuées à la tendance, aux cycles ou aux composantes saisonnières

poids normalisés: poids ou coefficients dont la somme est égale à 1

ordre (ou degré): nombre de termes ou de décalages utilisés dans un modèle pour décrire la série temporelle ; pour une séquence modélisée par une formule polynomiale, valeur de l'exposant du terme de plus haut degré de la formule polynomiale qui modélise la séquence

pic: lors du calcul de l'ACF, valeur de corrélation significativement supérieure aux valeurs précédentes

période: plus petit intervalle de temps sur lequel un motif de variation saisonnière se répète

intervalle de prédiction: plage de valeurs que la variable pourrait prendre avec un certain niveau de probabilité dans une prévision

résidus: différence entre la série temporelle donnée et le modèle $(x_{n} - {\hat{x}}_{n})$ quantifiant l'erreur du modèle, ou bruit (variation aléatoire) de la série temporelle

racine de l'erreur quadratique moyenne (RMSE): mesure d'erreur ; $RMSE = \sqrt{\frac{1}{n} \sum_{i = 1}^{n} ({ε_{i}}^{2})}$

dépendant de l'échelle: qualifie une mesure ou une erreur directement proportionnelle aux données

composante saisonnière (saisonnalité): variation dans les données se produisant à des périodes fixes

Décomposition tendance-saisonnalité par LOESS (STL): outil puissant qui décompose une série temporelle en composantes tendance-cycle, saisonnière et de bruit

séquence: liste ordonnée de nombres, de mesures ou d'autres données

moyenne mobile simple (SMA): moyenne (moyenne arithmétique) d'un nombre fixe de points de données consécutifs dans une série temporelle

stationnaire: caractérise une série temporelle dont la variance est relativement constante au cours du temps, où aucune tendance générale à la hausse ou à la baisse ne peut être identifiée, et qui ne présente aucun motif saisonnier

erreur absolue moyenne en pourcentage symétrique (sMAPE): mesure d'erreur relative ; $sMAPE = \frac{1}{n} \sum_{i = 1}^{n} \frac{2 | ε_{i} |}{| x_{i} | + | {\hat{x}}_{i} |}$

termes: en mathématiques, valeurs individuelles d'une suite

série temporelle: données comportant une composante temporelle, ou suite ordonnée de points de données

analyse de séries temporelles: examen de points de données collectés à des intervalles de temps spécifiques, permettant l'identification de tendances, de motifs et de variations saisonnières essentiels pour formuler des prédictions et prendre des décisions éclairées

modèle de séries temporelles: fonction, algorithme ou méthode permettant de trouver, d'approximer ou de prédire les valeurs d'une série temporelle donnée

tendance: direction à long terme des données d'une série temporelle en l'absence de toute autre variation

courbe de tendance (ou ligne de tendance): droite ou courbe qui modélise la tendance d'une série temporelle

composante tendance-cycle: composante d'une série temporelle qui combine la tendance et les cycles à long terme

volatilité: fait de présenter d'importantes fluctuations par rapport à la moyenne, généralement attribuables à des facteurs difficiles à analyser ou à prédire

moyenne mobile pondérée (WMA): moyenne mobile dans laquelle les termes reçoivent des poids selon une formule ou une règle donnée

bruit blanc: données de série temporelle ayant une moyenne constante proche de zéro, une variance constante et aucune corrélation entre les différentes parties de la série

fenêtre: terme utilisé pour décrire un nombre fixe de termes consécutifs d'une série temporelle