Forecasting for big data: Does suboptimality matter?

به طور سنتی، پیش بینی ها بر الگوریتم های توسعه تمرکز می کنند تا مدل های مطلوب و مجموعه ای از پارامترها را تعیین کنند، به این معنا که به معنی در نظر گرفتن نمونه درون نمونه است. با این حال، این تلاش به شدت فرض می کند که پارامترهای بهینه تنظیم نیز بهترین برداشت ها را ارائه می دهند. این مسئله حتی بیشتر مورد توجه قرار میگیرد وقتی که حجم گسترده دادهها را در دوران بزرگ دادهها پیشبینی کنیم. در این مقاله، ما استدلال می کنیم که آیا این وسواس برای بهینه سازی همواره میوه های مربوطه را خرد می کند و یا زمان زیادی را صرف تلاش برای انجام آن می کنیم. آیا می توانیم با هدف گیری برای سیستم های سریع تر و قوی تر که برای راه حل های پیش بینی غیرپشتیبانی هدف قرار می گیرند، که به نوبه خود، کارایی سیستم های مورد استفاده را به خطر نمی اندازد؟ این مطالعه با استفاده از یک تحقیق تجربی برای آن هدف روشن می شود. ما نشان می دهد که تجارت بین راه حل های بهینه در مقابل سوپرپتیما با توجه به پیش بینی عملکرد و هزینه های محاسباتی. در نهایت، ما در مورد پیامدهای عدم قطعیت و تلاش برای تعیین پس انداز پولی به عنوان یک نتیجه از راه حل های غیرمتمرکز بحث می کنیم.