Warum die Zeitreihenanalyse nicht als Algorithmus für maschinelles Lernen betrachtet wird

Warum wird die Zeitreihenanalyse nicht als Algorithmus für maschinelles Lernen angesehen (im Gegensatz zur linearen Regression)?

Sowohl die Regressions- als auch die Zeitreihenanalyse sind Prognosemethoden. Warum wird einer von ihnen als Lernalgorithmus angesehen, der andere jedoch nicht?

Wie dsaxton bemerkt , ist "Zeitreihenanalyse" weder ein Algorithmus noch eine Prognosemethode. Es ist ein Studienbereich . Darüber hinaus befasst sich ein Großteil der Zeitreihenanalyse nicht einmal mit Prognosen, sondern nur mit dem Verständnis der vergangenen Dynamik einer Zeitreihe (z. B. Änderungspunkterkennung).

Spezifische Zeitreihenanalysetechniken, die für Prognosen geeignet sind , wie ARIMA-Modelle oder Exponential Smoothing, könnten sicherlich als "Lernalgorithmen" bezeichnet werden und ebenso wie für die Regression als Teil des maschinellen Lernens (ML) betrachtet werden. Sie sind es einfach selten.

Ich würde sagen, dies spiegelt wider, dass die Zeitreihenanalyse zum Zeitpunkt der Einführung von ML bereits sehr gut etabliert war und eine eigene Sprache entwickelte. Daher werden nur wenige Zeitreihenanalysten das, was sie tun, als maschinelles Lernen betrachten (so wie nur wenige Statistiker denken werden der Regression als ML - es ist die ML-Community, die etablierte Methoden unter der ML-Nomenklatur klassifiziert).

Umgekehrt hat die ML-Community mit Zeitreihen an sich nicht wirklich viel zu tun, und "klassische" ML-Algorithmen wie neuronale Netze waren in dem Sinne, dass sie die klassischen Zeitreihenalgorithmen für Prognosen deutlich übertrafen, nicht besonders erfolgreich. Wenn Sie Ihre Zeitdynamik in einem ML-Algorithmus modellieren, sind Sie einem ARIMA-Modell bereits ziemlich nahe, aber wenn Sie dies nicht tun, verpassen Sie wirklich eine Menge Struktur, die bei der Prognose hilfreich wäre.