1. 項(xiàng)目概述1.1 核心需求解析先說說這個(gè)標(biāo)題背后到底在講什么事兒。貝葉斯統(tǒng)計(jì)這名字聽著學(xué)術(shù)但說白了就是一套用數(shù)據(jù)更新認(rèn)知的邏輯框架。而時(shí)間序列分析是另一塊老牌領(lǐng)域?qū)ｉT處理按時(shí)間順序排列的數(shù)據(jù)比如每天的氣溫、每小時(shí)的電價(jià)、每分鐘的服務(wù)器請求量。把這兩個(gè)東西結(jié)合在一起核心訴求非常明確讓模型在數(shù)據(jù)量有限的情況下還能保持準(zhǔn)確的預(yù)測同時(shí)當(dāng)數(shù)據(jù)分布發(fā)生變化時(shí)模型能快速自適應(yīng)而不是一套參數(shù)打天下。我之所以對這個(gè)組合特別關(guān)注是因?yàn)樵趯?shí)際業(yè)務(wù)里絕大多數(shù)機(jī)器學(xué)習(xí)團(tuán)隊(duì)都在用傳統(tǒng)方法做時(shí)間序列預(yù)測比如ARIMA、Prophet、LightGBM那一套。這些方法各有各的合理之處但共同的問題是要么對不確定性估計(jì)不足要么在數(shù)據(jù)分布漂移時(shí)反應(yīng)遲鈍。貝葉斯方法恰恰能補(bǔ)上這兩個(gè)短板。1.2 適合誰參考這篇內(nèi)容主要面向幾類人群正在做銷量預(yù)測、流量預(yù)測、設(shè)備指標(biāo)監(jiān)控的算法工程師手上的模型精度還行但總感覺不夠穩(wěn)。想從頻率派統(tǒng)計(jì)切換到貝葉斯思維的研究者或在讀學(xué)生需要一個(gè)清晰的切入點(diǎn)。在資源受限環(huán)境下做時(shí)間序列建模的人比如邊緣設(shè)備上的預(yù)測任務(wù)數(shù)據(jù)量小、算力有限傳統(tǒng)深度學(xué)習(xí)模型跑不動(dòng)貝葉斯方法反而有優(yōu)勢。2. 為什么貝葉斯和時(shí)間序列能碰撞出火花2.1 頻率派方法的天花板傳統(tǒng)的時(shí)間序列方法比如帶季節(jié)項(xiàng)分解的Prophet或者差分自回歸移動(dòng)平均模型ARIMA本質(zhì)上屬于頻率派統(tǒng)計(jì)。它們把模型參數(shù)當(dāng)作固定的未知常數(shù)通過極大似然估計(jì)去找一組最優(yōu)參數(shù)。這個(gè)流程在數(shù)據(jù)量充足、數(shù)據(jù)生成過程穩(wěn)定的場景下表現(xiàn)不錯(cuò)。但有一個(gè)問題在高波動(dòng)場景下特別致命模型輸出的只是點(diǎn)預(yù)測值。比如你預(yù)測明天某一產(chǎn)品銷量是347件但完全沒有告訴你這個(gè)預(yù)測有多大的不確定性。很多人在實(shí)際工作中會(huì)直接把這個(gè)數(shù)字當(dāng)確定值用而一旦真實(shí)值偏離很大復(fù)盤時(shí)才發(fā)現(xiàn)無法解釋偏差來源。另一個(gè)痛點(diǎn)是參數(shù)固定之后模型很難在線更新。為了適應(yīng)新的趨勢你必須重跑一遍訓(xùn)練流程。如果每天跑一次還好但如果是每小時(shí)甚至每分鐘的數(shù)據(jù)呢訓(xùn)練成本和延遲都不可接受。2.2 貝葉斯方法提供了什么貝葉斯方法換了個(gè)思路參數(shù)不是固定常數(shù)而是服從某個(gè)分布的隨機(jī)變量。我們用先驗(yàn)分布表達(dá)對參數(shù)的最初認(rèn)知然后通過觀測數(shù)據(jù)計(jì)算后驗(yàn)分布更新認(rèn)知。這個(gè)差異帶來了三個(gè)直接的好處。不確定性量化是最大的收獲。預(yù)測結(jié)果不再是347件這種單點(diǎn)估計(jì)而是一個(gè)完整分布比如95%置信區(qū)間為[312, 385]件。對于需要做庫存決策、風(fēng)險(xiǎn)管理的業(yè)務(wù)這個(gè)信息量完全不是同一個(gè)級(jí)別。在線更新能力也天然具備。每來一條新數(shù)據(jù)就把后驗(yàn)分布當(dāng)作新的先驗(yàn)分布繼續(xù)做貝葉斯更新。這個(gè)過程不需要重跑整個(gè)訓(xùn)練集計(jì)算量小適合流式數(shù)據(jù)場景。正則化效果是意外之喜。先驗(yàn)起著約束參數(shù)空間的作用在數(shù)據(jù)量不足時(shí)后驗(yàn)估計(jì)不會(huì)像頻率派那樣過度擬合。打個(gè)比方頻率派像是只憑最近幾天情況做判斷的人而貝葉斯會(huì)結(jié)合歷史規(guī)律和近期數(shù)據(jù)判斷更穩(wěn)健。2.3 結(jié)合后的模型有哪些典型形態(tài)把貝葉斯思維引入時(shí)間序列最經(jīng)典的幾類結(jié)構(gòu)是一是貝葉斯?fàn)顟B(tài)空間模型。狀態(tài)空間把觀測方程和狀態(tài)方程分開狀態(tài)變量隨時(shí)間演化而每個(gè)時(shí)間步的更新都可以用貝葉斯濾波處理。卡爾曼濾波加高斯假設(shè)在某些條件下可以得到解析解計(jì)算效率極高。二是貝葉斯結(jié)構(gòu)時(shí)間序列模型。它把時(shí)間序列拆解成趨勢項(xiàng)、季節(jié)項(xiàng)、回歸項(xiàng)的組合每個(gè)組件都賦予先驗(yàn)分布然后通過馬爾可夫鏈蒙特卡洛或變分推斷逼近后驗(yàn)。這類模型的解釋性很強(qiáng)適合需要向業(yè)務(wù)方說明預(yù)測理由的場景。三是貝葉斯神經(jīng)網(wǎng)絡(luò)結(jié)合時(shí)間序列。用深度網(wǎng)絡(luò)提取特征但最后一層換成貝葉斯線性層或者全貝葉斯網(wǎng)絡(luò)。適合數(shù)據(jù)規(guī)模較大但仍需要不確定性估計(jì)的場景只是計(jì)算成本確實(shí)高不少。3. 核心實(shí)現(xiàn)細(xì)節(jié)與實(shí)操要點(diǎn)3.1 數(shù)據(jù)準(zhǔn)備階段的特殊要求貝葉斯模型的輸入數(shù)據(jù)準(zhǔn)備和傳統(tǒng)機(jī)器學(xué)習(xí)相比有一些特殊之處。缺失值處理要更謹(jǐn)慎。傳統(tǒng)模型通?？梢灾苯犹畛渚祷蛘哂貌逯捣ǖ惾~斯模型把先驗(yàn)分布和數(shù)據(jù)結(jié)合起來填充邏輯本質(zhì)上也在影響后驗(yàn)。我的做法是先用簡單的線性插值填一遍然后把缺失標(biāo)志變量也作為協(xié)變量放進(jìn)模型讓模型自己學(xué)習(xí)缺失模式是否對預(yù)測有影響。歸一化方式要分兩種場景區(qū)別對待。如果是連續(xù)型數(shù)據(jù)且噪聲接近高斯分布就直接做z-score標(biāo)準(zhǔn)化。如果是計(jì)數(shù)型數(shù)據(jù)比如銷售量、點(diǎn)擊量最好用對數(shù)變換或者在模型里直接指定泊松分布族而不是強(qiáng)行歸一化。特征構(gòu)造方面時(shí)間特征比靜態(tài)特征更重要。周幾、是否是節(jié)假日、距離上一個(gè)節(jié)假日的天數(shù)這些在貝葉斯結(jié)構(gòu)時(shí)間序列里都是高價(jià)值特征。原因在于先驗(yàn)分布的設(shè)定很多時(shí)候就是圍繞這些周期性做初始化。3.2 先驗(yàn)選擇的經(jīng)驗(yàn)法則先驗(yàn)的設(shè)定是貝葉斯建模中最容易讓人糾結(jié)的環(huán)節(jié)也是新手最容易犯錯(cuò)的點(diǎn)。一個(gè)實(shí)用原則是先驗(yàn)寧可弱一點(diǎn)不可強(qiáng)到壓制數(shù)據(jù)信號(hào)。在時(shí)間序列場景我對趨勢項(xiàng)常用隨機(jī)游走先驗(yàn)對季節(jié)項(xiàng)用平滑先驗(yàn)對回歸系數(shù)用標(biāo)準(zhǔn)正態(tài)或者寬松的正態(tài)先驗(yàn)。這些選法的出發(fā)點(diǎn)是趨勢項(xiàng)本身具有很強(qiáng)的不可預(yù)測性如果把先驗(yàn)設(shè)得太緊模型會(huì)對歷史數(shù)據(jù)過度自信一旦出現(xiàn)結(jié)構(gòu)突變預(yù)測結(jié)果會(huì)滯后好幾步才跟上實(shí)際走勢。有一個(gè)繞開敏感參數(shù)的小技巧是用標(biāo)準(zhǔn)化的數(shù)據(jù)做預(yù)建模把問題轉(zhuǎn)換成模型參數(shù)的相對幅度。在標(biāo)準(zhǔn)化條件下設(shè)置第一版先驗(yàn)如果后續(xù)直接用原始數(shù)據(jù)訓(xùn)練再按原始數(shù)據(jù)尺度做放縮這樣會(huì)穩(wěn)很多。先驗(yàn)敏感性分析是一個(gè)值得一做的穩(wěn)定性驗(yàn)證。操作方法是把先驗(yàn)方差調(diào)大和調(diào)小各一檔觀察后驗(yàn)結(jié)果的變化幅度。如果變化小說明數(shù)據(jù)信息足夠強(qiáng)先驗(yàn)的影響被壓制了如果變化大說明數(shù)據(jù)量不足此時(shí)應(yīng)該先收集更多數(shù)據(jù)而不是試圖通過調(diào)先驗(yàn)來解決所有問題。3.3 推斷算法選擇貝葉斯推斷依賴采樣或近似算法核心選擇和場景強(qiáng)相關(guān)。馬爾可夫鏈蒙特卡洛適合小數(shù)據(jù)或低維度問題。經(jīng)典的哈密頓蒙特卡洛采樣器在參數(shù)維度不是特別高時(shí)效果很好收斂速度可以接受。我對幾千個(gè)樣本、十來個(gè)參數(shù)的問題是直接用MCMC做的結(jié)果穩(wěn)定性比變分方法好不少。變分推斷的場景是數(shù)據(jù)量較大、實(shí)時(shí)性要求較高的線上預(yù)測。變分推斷用優(yōu)化代替采樣速度提升明顯但代價(jià)是近似誤差。需要特別提醒的是變分推斷對初始值比較敏感實(shí)踐中最好跑幾組不同初始值做對比。如果狀態(tài)空間模型特別是線性的場景可以直接用卡爾曼濾波做精確推斷復(fù)雜度是O(T)級(jí)別非常適合在線預(yù)測。配合平滑算法還能得到整條狀態(tài)序列的后驗(yàn)分布。這套方案是我在有實(shí)時(shí)預(yù)測需求時(shí)的首選。3.4 實(shí)操中的完整流程我把實(shí)際操作流程整理成五步每一步都有明確的產(chǎn)出物。第一步是數(shù)據(jù)清洗與平滑檢查。觀察時(shí)間序列的趨勢和季節(jié)性識(shí)別異常點(diǎn)。異常點(diǎn)不是簡單刪掉就完事要記錄異常點(diǎn)的位置和可能的背景原因這些信息在后驗(yàn)分析里能幫助你判斷模型是否被異常值帶偏了。第二步是構(gòu)造訓(xùn)練集和測試集。穩(wěn)健的做法是時(shí)序切分比如用前80%做訓(xùn)練后20%做驗(yàn)證并且驗(yàn)證集中盡量包含完整的季節(jié)周期避免只截到某一季度的片段導(dǎo)致評估偏差。第三步是設(shè)定模型結(jié)構(gòu)。確定趨勢項(xiàng)是線性還是非線性季節(jié)性周期是多少周、月、年協(xié)變量有哪些。最開始建議先跑一個(gè)不加協(xié)變量的基準(zhǔn)模型后續(xù)加變量時(shí)才能判斷增益來源。第四步是設(shè)置先驗(yàn)并運(yùn)行推斷。先弱勢先驗(yàn)跑一輪觀察后驗(yàn)分布的形狀再根據(jù)結(jié)果適度收緊或放寬。第五步是評估和迭代。貝葉斯模型要有專門的評估指標(biāo)傳統(tǒng)的RMSE、MAE當(dāng)然要看但不確定性校準(zhǔn)度更重要。所謂校準(zhǔn)度就是實(shí)際落在預(yù)測區(qū)間內(nèi)的比例是否接近設(shè)定的置信水平。如果設(shè)了90%置信區(qū)間結(jié)果只有70%的真實(shí)值落在區(qū)間內(nèi)說明模型過于自信后驗(yàn)可能過窄。3.5 核心模型表達(dá)式參考這里給出一個(gè)貝葉斯結(jié)構(gòu)時(shí)間序列的基礎(chǔ)代碼結(jié)構(gòu)方便快速上手。4. 實(shí)操過程與核心環(huán)節(jié)實(shí)現(xiàn)4.1 環(huán)境準(zhǔn)備與工具選型搭建環(huán)境這一步相當(dāng)友好不涉及特別冷門的工具。我這里用的是Python生態(tài)核心庫包括PyMC、用于數(shù)據(jù)處理的Pandas和NumPy、做圖表用的Matplotlib。安裝方面有個(gè)版本兼容的小坑。PyMC在較新版本里去掉了舊版的某些接口比如部分采樣器參數(shù)被改名了如果你的環(huán)境里同時(shí)裝了舊版的NavPy甚至?xí)霈F(xiàn)函數(shù)簽名沖突。推薦的做法是新建一個(gè)虛擬環(huán)境隔離再裝最新版的PyMC和相關(guān)依賴。硬件要求方面CPU跑幾千到幾萬樣本的MCMC是完全可以接受的真正到百萬級(jí)樣本需求才值得上GPU。如果只是做實(shí)驗(yàn)驗(yàn)證普通筆記本就能跑動(dòng)。4.2 一個(gè)具體案例的數(shù)據(jù)說明用一個(gè)模擬的業(yè)務(wù)場景來演示比較好理解某電商平臺(tái)每日訂單量預(yù)測。數(shù)據(jù)包括每日訂單數(shù)、當(dāng)天是否為促銷日、距離上次促銷的天數(shù)時(shí)間跨度兩年。這里有一個(gè)真實(shí)的難點(diǎn)促銷日的訂單量和平日明顯不是一個(gè)分布模板模型很難一次到位。貝葉斯方法處理這類多模式數(shù)據(jù)的優(yōu)勢在于協(xié)變量可以直接進(jìn)入均值結(jié)構(gòu)而不確定性又可以按日調(diào)整。我們用前14個(gè)月的數(shù)據(jù)做訓(xùn)練后10個(gè)月做驗(yàn)證。驗(yàn)證周期涵蓋了雙十一、618這類大型促銷活動(dòng)目標(biāo)是把促銷期的預(yù)測區(qū)間校準(zhǔn)度調(diào)到90%以上。4.3 模型構(gòu)建步驟第一步是定義似然分布。訂單量是計(jì)數(shù)數(shù)據(jù)且波動(dòng)較大用負(fù)二項(xiàng)分布比泊松分布更適合因?yàn)樨?fù)二項(xiàng)自帶一個(gè)過離散參數(shù)能描述方差大于均值的情況。第二步是定義線性預(yù)測器。預(yù)測器的結(jié)構(gòu)是趨勢項(xiàng)加季節(jié)項(xiàng)加促銷影響每個(gè)部分都加先驗(yàn)。趨勢項(xiàng)用一階隨機(jī)游走季節(jié)項(xiàng)用一組傅里葉特征周期為7天促銷影響用一個(gè)階躍函數(shù)。這里需要補(bǔ)充一點(diǎn)技術(shù)細(xì)節(jié)。傅里葉特征就是把周期信號(hào)分解成一組正弦和余弦的組合以捕捉季節(jié)性重復(fù)模式只要設(shè)定周期和階數(shù)就能生成多組基函數(shù)進(jìn)入回歸模型。第三步是設(shè)定先驗(yàn)的參數(shù)。趨勢項(xiàng)的步長用半正態(tài)分布約束其波動(dòng)幅度促銷系數(shù)用正態(tài)分布過離散參數(shù)用指數(shù)分布。第四步是采后驗(yàn)。用最大后驗(yàn)估計(jì)找到初始點(diǎn)之后再做2000步的調(diào)參預(yù)熱和5000步的采樣兩個(gè)鏈并行方便后續(xù)做收斂診斷。4.4 結(jié)果展示與解讀后驗(yàn)結(jié)果中促銷系數(shù)的中位數(shù)是正數(shù)且在置信區(qū)間內(nèi)不包含零說明促銷項(xiàng)對訂單量有顯著提升效應(yīng)。不確定性區(qū)間方面促銷期的預(yù)測區(qū)間明顯變寬而非促銷期的區(qū)間相對較窄。這說明模型確實(shí)學(xué)習(xí)到了數(shù)據(jù)的內(nèi)在波動(dòng)模式不是簡單套一層固定噪聲。這個(gè)結(jié)果還有一個(gè)可解釋的亮點(diǎn)后驗(yàn)分布能告訴你趨勢項(xiàng)的日增長率大約是多少比如日復(fù)合增長率均值0.15%置信區(qū)間在0.1%到0.2%之間。這種粒度傳統(tǒng)時(shí)間序列模型一般不敢直接給。4.5 評估指標(biāo)的合理性討論只盯著RMSE評價(jià)貝葉斯模型會(huì)有偏差。因?yàn)樨惾~斯模型輸出的本身是分布預(yù)測精度只是其中一層。我一般同時(shí)看三個(gè)指標(biāo)點(diǎn)預(yù)測精度、區(qū)間覆蓋率、區(qū)間寬度。點(diǎn)預(yù)測精度主要參考RMSE和MAE用來判斷猜得準(zhǔn)不準(zhǔn)區(qū)間覆蓋率是看真實(shí)值落在預(yù)測區(qū)間內(nèi)的比例區(qū)間寬度是看區(qū)間是否過窄或過寬綜合判斷不確定性估計(jì)的合理性。如果RMSE很好但覆蓋率很低說明模型只是在打點(diǎn)預(yù)測賭運(yùn)氣不確定性估計(jì)并沒有可信性這種模型在風(fēng)控場景里等于沒有輸出。在實(shí)操中遇到覆蓋率不佳的情況可以考慮調(diào)整噪聲項(xiàng)的先驗(yàn)或者改用學(xué)生t分布作為似然函數(shù)增加厚尾特性。5. 常見問題與排查技巧實(shí)錄5.1 收斂診斷失敗典型表現(xiàn)是MCMC采樣結(jié)束后診斷報(bào)告里顯示R-hat值大于1.1或者有效樣本量偏小。排查順序一般是先檢查先驗(yàn)是否過于寬泛導(dǎo)致后驗(yàn)分布多峰再檢查模型參數(shù)化方式看是否存在高度相關(guān)的參數(shù)組合讓采樣器在參數(shù)空間中推進(jìn)效率降低。一個(gè)有效改進(jìn)是重參數(shù)化。比如把隨機(jī)游走趨勢實(shí)現(xiàn)為非中心化的形式把狀態(tài)變量改寫成基礎(chǔ)分布乘以尺度參數(shù)采樣效率會(huì)有明顯提升。這個(gè)優(yōu)化方式很值得記住因?yàn)樵趶?fù)雜時(shí)間序列模型里狀態(tài)變量之間的相關(guān)結(jié)構(gòu)幾乎必然導(dǎo)致采樣器混疊性能不佳。5.2 預(yù)測區(qū)間過寬區(qū)間過寬說明模型對不確定性過于保守普遍情況是噪聲項(xiàng)的方差過大。解決方案之一是把似然分布從正態(tài)換成學(xué)生t分布并給學(xué)生t分布的自由度設(shè)一個(gè)下限這樣既保留厚尾擬合能力又不至于過度夸大尾部風(fēng)險(xiǎn)。還有一種情況是趨勢項(xiàng)先驗(yàn)的步長方差設(shè)置偏大模型幾乎在完全依賴噪聲來擬合數(shù)據(jù)。此時(shí)需要把先驗(yàn)調(diào)緊或者給趨勢項(xiàng)加一個(gè)均值回歸項(xiàng)避免它跑得太自由。5.3 在線更新延遲如果要上線做實(shí)時(shí)預(yù)測每次批訓(xùn)練整段歷史顯然是低效的。我的做法是設(shè)定一個(gè)滑動(dòng)窗口每次只更新最近若干天的數(shù)據(jù)另外每過一段時(shí)間做一次全局重?cái)M合來校準(zhǔn)模型。這種方案的關(guān)鍵在于狀態(tài)變量的后驗(yàn)分布會(huì)被傳遞到下一步的預(yù)測中不會(huì)因?yàn)橹蝗【植看翱诙鴣G失歷史信息。實(shí)際使用中我用滑動(dòng)窗口配合定時(shí)全量校準(zhǔn)能夠把單次更新耗時(shí)控制在毫秒級(jí)。5.4 數(shù)據(jù)分布突變業(yè)務(wù)場景中經(jīng)常遇到政策調(diào)整、突發(fā)新聞、系統(tǒng)故障等因素導(dǎo)致數(shù)據(jù)分布突變。貝葉斯模型的抗突變能力有限因?yàn)樗举|(zhì)上還是假設(shè)數(shù)據(jù)生成過程相對平穩(wěn)。一個(gè)在實(shí)際項(xiàng)目里效果不錯(cuò)的做法是在模型中增加一個(gè)變化點(diǎn)檢測組件。變化點(diǎn)前后的狀態(tài)變量允許取不同水平后驗(yàn)推斷時(shí)模型會(huì)自動(dòng)判斷變化點(diǎn)位置和跳躍幅度。這個(gè)做法在歷史數(shù)據(jù)分析里算是一個(gè)更靈活的結(jié)構(gòu)比人為干預(yù)閾值要干凈得多。6. 實(shí)操建議與經(jīng)驗(yàn)補(bǔ)充6.1 從傳統(tǒng)模型切換到貝葉斯的節(jié)奏建議建議不要直接放棄傳統(tǒng)模型一步跨到全貝葉斯。比較穩(wěn)妥的節(jié)奏是先用傳統(tǒng)模型跑通業(yè)務(wù)鏈路看懂?dāng)?shù)據(jù)的基線水平和波動(dòng)規(guī)律然后用貝葉斯方法在同樣的數(shù)據(jù)集上做對比實(shí)驗(yàn)。通常對比三個(gè)維度點(diǎn)預(yù)測精度是否持平或略有提升、區(qū)間覆蓋率是否有明顯改善、訓(xùn)練和推理時(shí)間是否在自己的可接受范圍內(nèi)。多數(shù)場景下貝葉斯方法不會(huì)讓點(diǎn)預(yù)測精度大幅提升但區(qū)間估計(jì)的實(shí)戰(zhàn)價(jià)值非常明顯。如果只關(guān)注點(diǎn)預(yù)測數(shù)字可能覺得貝葉斯方法不劃算這是很多項(xiàng)目中途夭折的原因。6.2 算力受限時(shí)的折中方案算力受限的情況下全量貝葉斯推斷不可行時(shí)可以考慮準(zhǔn)貝葉斯策略用點(diǎn)估計(jì)跑主流程只在最后幾層或者特定噪聲參數(shù)上做后驗(yàn)采樣。這種方式可以保留大部分解釋能力和穩(wěn)定性計(jì)算量只增加一小部分。另外可以考慮用拉普拉斯近似替代MCMC采樣。拉普拉斯近似通過求最大后驗(yàn)估計(jì)處的二次近似來逼近后驗(yàn)分布速度快誤差在低維問題上可以接受。當(dāng)參數(shù)維度較高或后驗(yàn)明顯非高斯時(shí)這個(gè)近似質(zhì)量會(huì)下滑不建議強(qiáng)行使用。6.3 推薦先掌握的三件事對于剛接觸這個(gè)方向的朋友不建議一上來就啃復(fù)雜的狀態(tài)空間模型也不建議直接套用貝葉斯神經(jīng)網(wǎng)絡(luò)。建議按以下順序理解先把先驗(yàn)分布理解透徹搞清楚均值、方差、厚尾這三個(gè)概念對后驗(yàn)分布的影響。再用簡單的一元線性回歸數(shù)據(jù)做貝葉斯版本觀察后驗(yàn)的不確定性如何隨樣本量變化。最后把時(shí)間維度加入模型用結(jié)構(gòu)時(shí)間序列的思路拆解趨勢、季節(jié)、噪聲三類成分。這三步走完再去看變分推斷或者M(jìn)CMC的原理細(xì)節(jié)會(huì)順暢不少。直接跳到復(fù)雜模型會(huì)在報(bào)錯(cuò)和調(diào)參上浪費(fèi)大量時(shí)間。6.4 容易踩空的一個(gè)坑最后重點(diǎn)提醒一個(gè)容易踩的坑貝葉斯模型的時(shí)間復(fù)雜度遠(yuǎn)高于傳統(tǒng)模型這在團(tuán)隊(duì)協(xié)作中很容易被誤解為性能差。傳統(tǒng)模型訓(xùn)練耗時(shí)可能幾分鐘貝葉斯采樣耗時(shí)可能幾十分鐘但兩者提供的信息不在一個(gè)層次上。傳統(tǒng)模型給一個(gè)點(diǎn)貝葉斯模型給一套預(yù)測結(jié)果的完整置信分布。你需要在項(xiàng)目初期就與協(xié)作方確認(rèn)是否真的需要不確定性輸出。如果只需要一個(gè)粗糙的點(diǎn)預(yù)測貝葉斯方法大概率不是最優(yōu)選擇。如果你已經(jīng)明確需要不確定性量化和對動(dòng)態(tài)變化進(jìn)行自適應(yīng)建模那么投入產(chǎn)出比是值得的。我的個(gè)人經(jīng)驗(yàn)是在庫存管理、流量調(diào)度、風(fēng)險(xiǎn)預(yù)警這類決策場景里貝葉斯方法帶來的收益遠(yuǎn)超訓(xùn)練成本的增加。這個(gè)技術(shù)方向目前仍有大量可以深挖的細(xì)節(jié)對于做工程和做研究的人來說都值得持續(xù)跟進(jìn)。