Metoda Średniej Ruchomości Środkowej

średnia liczba obserwowanych danych szeregowych, równomiernie rozmieszczonych w czasie z kilku kolejnych okresów Zważywszy, że ruch jest ciągle odnotowywany w miarę pojawiania się nowych danych, postępuje on poprzez obniżenie najwcześniej wartości i dodanie ostatniej wartości Przykładowo średnia ruchoma sześciu miesięczna sprzedaż może być obliczona poprzez przejęcie średniej sprzedaży od stycznia do czerwca, a następnie średnia sprzedaży od lutego do lipca, a następnie od marca do sierpnia, a więc w przypadku średnich kroczących 1 zmniejsza się wpływ tymczasowych odmian danych, dopasowanie danych do linii procesu zwanego wygładzaniem, aby wyraźnie pokazać trend s danych i 3 podkreślić dowolną wartość powyżej lub poniżej trendu. Jeśli obliczasz coś o bardzo wysokiej wariancji, najlepszym możliwym jest utworzenie poza średnią ruchomą. Chciałem wiedzieć, na czym polega średnia ruchoma danych, więc lepiej zrozumiałbym, jak to robimy. Kiedy próbujesz dowiedzieć się, jakie liczby zmieniają się często to być możesz zrobić to obliczyć średnią ruchome. moving średnia cena MAP. When obliczanie bieżącej średniej ruchomej, wprowadzenie średniej w środku czas ma sens. W poprzednim przykładzie obliczyliśmy średnią z pierwszych trzech okresów czasu i umieścić go obok okresu 3 Możemy umieścić średnią w środku przedziału czasowego trzech okresów, to jest obok okresu 2 To działa dobrze z nieparzystymi okresami, ale nie tak dobre dla parzystych okresów czasu Więc gdzie byśmy umieścili pierwsza średnia ruchoma, gdy M 4.Technicznie, średnia ruchoma spadnie poniżej t 2 5, 3 5. Aby uniknąć tego problemu, wygładzamy MA s przy użyciu M 2 W ten sposób wygładzamy wygładzone wartości. Jeśli przeciętymybyśmy parzystą liczbę wyrazów, Poniższa tabela przedstawia wyniki z użyciem M 4. David, tak, MapReduce ma działać na dużej ilości danych I ogólnie rzecz ujmując, mapa i funkcje redukujące nie powinny obchodzić się wielu maperów lub ilu reduktorów jest, że s jus t optymalizacja Jeśli zastanowisz się nad algorytmem, który wysłałem, możesz zauważyć, że nie ma znaczenia, który maper pobiera jakie części danych Każdy rekord wejściowy będzie dostępny dla każdej operacji redukującej, która jej potrzebuje Joe K Kwiecień 18 12 w 22 30. W najlepszym moich zrozumieniach średnia ruchoma nie jest ładną mapą do paradygmatu MapReduce, ponieważ jej obliczenie jest zasadniczo przesuwne okno nad uporządkowanymi danymi, podczas gdy MR jest przetwarzanie niezaprzezorowanych zakresów sortowanych danych Rozwiązanie widzę jest następująco Aby wdrożyć niestandardowy partycjoner do można wykonać dwie różne przegrody w dwóch cyklach W każdym cyklu reduktory otrzymają różne zakresy danych i obliczyć średnią ruchową, gdzie będzie to właściwe, spróbuję zilustrować W pierwszym uruchomieniu danych dla reduktorów powinna być R1 Q1, Q2, Q3, Q4 R2 Q5 , Q6, Q7, Q8. Gdzie będziesz kauczał średnią ruchomą dla niektórych Q. W następnej rundzie reduktory powinny otrzymywać dane, takie jak R1 Q1 Q6 R2 Q6 Q10 R3 Q10 Q14.Zaclaj resztę średnich kroczących Następnie musisz sumować wyniki. Idea niestandardowych partycjonerów, że będą miały dwa tryby pracy - za każdym razem dzieląc na równe zakresy, ale z pewną zmianą W pseudokodie będzie wyglądać tak, jak ten klucz partycji SHIFT MAXKEY numOfPartitions gdzie SHIFT zostanie wzięty z MAXKEY MAXKEY konfiguracji wartości klucz I przyjąć dla prostoty, że zaczynają się z zero. RecordReader, IMHO nie jest rozwiązaniem, ponieważ jest ograniczony do konkretnego podziału i nie może przesuwać się na granicy split. Another byłoby wdrożenie niestandardowej logiki podziału danych wejściowych jest częścią z InputFormat Można zrobić, aby wykonać 2 różne slajdy, podobne do partycjonowania.