CatBoost ist eine Open-Source-Bibliothek für Gradient Boosting mit Entscheidungsbäumen. Sie unterstützt unter anderem Regression und Klassifikation. Eine Stärke ist die eingebaute Verarbeitung kategorialer Merkmale wie Produktgruppe oder Vertriebskanal. Die Dokumentation rät davon ab, solche Merkmale vorab grundsätzlich per One-Hot-Encoding umzuwandeln. Dokumentation zu Kategorien
Eine Zeitreihe als Tabelle aufbauen
Für die Prognose wöchentlicher Zahlungseingänge braucht jede Zeile einen Prognosestichtag und einen definierten Zielzeitraum. Als Merkmale kommen frühere Zahlungseingänge, bekannte Kalenderdaten oder die Kundenkategorie infrage. Erstelle rollierende Kennzahlen nur aus Werten, die zu diesem Stichtag vorlagen. Spätere Zahlungseingänge bleiben der Bewertung vorbehalten.
Historisch prüfen und Ergebnisse einordnen
Trainiere mit früheren Zeiträumen und prüfe an späteren Stichtagen. Bei überlappenden Zielzeiträumen kann ein Abstand zwischen Training und Test nötig sein. Vergleiche das Ergebnis mit einer einfachen saisonalen Referenz und untersuche Fehler je Zeitraum oder Kundengruppe. Merkmalswichtigkeiten können die Modellprüfung unterstützen. Aus ihnen lässt sich keine Ursache für einen Zahlungsausfall oder eine Marktbewegung ableiten. Zeitlich geordnete Validierung
LightGBM ist eine weitere Boosting-Bibliothek für tabellarische Daten. AutoTS bietet eine automatische Suche über mehrere Zeitreihenmodelle. Weitere Profile findest du unter KI für Finanzen und Investmentrecherche.
