कुल मात्रा का पूर्वानुमान और किसी व्यक्ति का प्रवृत्ति स्कोर अलग प्रश्नों के उत्तर हैं। कोई भी अपने आप अभियान का कारणात्मक प्रभाव सिद्ध नहीं करता।
लक्ष्य, समय सीमा और उपलब्ध जानकारी
अनुमानित मात्रा, इकाई, अवधि और निर्णय की समय सीमा तय करें। केवल वे विशेषताएँ उपयोग करें जो पूर्वानुमान के समय उपलब्ध होतीं। भविष्य की जानकारी शामिल करने से डेटा रिसाव होता है और परीक्षण कृत्रिम रूप से बेहतर दिख सकता है।
समय क्रम में परीक्षण करें
अतीत पर प्रशिक्षण दें, बाद की अवधि पर मूल्यांकन करें और समय में आगे बढ़ते हुए दोहराएँ। वास्तविक परिणाम मिलने की देरी ध्यान में रखें। रूपांतरण केवल प्रशिक्षण डेटा पर फिट करें और अंतिम परीक्षण समूह को मॉडल चयन से अलग रखें।
आधार से तुलना और कार्रवाई की जाँच
समान डेटा और समय सीमा पर पिछले कालखंड या मौसमी संदर्भ जैसे सरल आधार से तुलना करें। त्रुटि और अनिश्चितता दर्ज करें; अच्छा ऐतिहासिक परीक्षण भविष्य की गारंटी नहीं है। कार्रवाई का प्रभाव मापने के लिए उचित कारणात्मक ढाँचा चाहिए, जैसे सही ढंग से तैयार प्रयोग।
स्रोत और सत्यापन
- scikit-learn — Common pitfalls
- scikit-learn — TimeSeriesSplit
- TensorFlow — Time series forecasting
- NIH — Research Methods Resources
रियल टाइम के हिसाब से फोरकास्ट को वैलिडेट करें।
अगर इवैल्यूएशन में पहले और बाद के पीरियड को मिलाया जाए तो एक ट्रैफ़िक मॉडल सही लग सकता है। टाइम-अवेयर वैलिडेशन ट्रेनिंग और टेस्ट को क्रोनोलॉजिकल ऑर्डर में अलग करता है और अनदेखे पीरियड पर एक सिंपल बेसलाइन के साथ प्रेडिक्शन की तुलना करना मुमकिन बनाता है।
- इंजीनियरिंग फ़ीचर से पहले होराइज़न, यूनिट और एक्सेप्टेबल एरर तय करें।
- मॉडल की तुलना सीज़नल बेसलाइन से करें और फोरकास्ट के समय उपलब्ध न होने वाली जानकारी को हटा दें।
- रिलीज़ के बाद पीरियड और सेगमेंट के हिसाब से एरर को मॉनिटर करें, फिर एक डॉक्यूमेंटेड कारण के साथ फिर से ट्रेन करें।
प्राथमिक स्रोत: scikit-learn — TimeSeriesSplit. संबंधित विधि: व्यावहारिक मार्गदर्शिका पढ़ें.
कार्बन मापन की सीमाएँ
तुलना के लिए समान सीमा और कार्यात्मक इकाई चाहिए।
- घटक, क्षेत्र, अवधि और कार्यात्मक इकाई लिखें, जैसे एक पूरी कार्रवाई। समान सेवा देने वाले परिदृश्यों की तुलना करें।
- ऊर्जा, उत्सर्जन गुणक और हार्डवेयर का आवंटित हिस्सा लिखें। माप और अनुमान अलग रखें; बाहर रखे घटक का प्रभाव शून्य न मानें।
- काल्पनिक उदाहरण: (12 + 3) gCO2e / 5 कार्रवाइयाँ = प्रति कार्रवाई 3 gCO2e। अनिश्चित मान्यताएँ बदलें और कुल उत्सर्जन भी तुलना करें।
दोहराने योग्य स्वीकृति मामला
काल्पनिक उदाहरण: डेटा किसी ग्राहक या देखे गए परिणाम का नहीं है।
मामले के इनपुट देखें
{
"functional_unit": "accepted_task",
"energy_kWh": 2,
"intensity_gCO2e_per_kWh": 100,
"embodied_gCO2e": 50,
"accepted_tasks": 100,
"SCI_gCO2e_per_task": 2.5
}अपेक्षित निर्णय
(2 × 100 + 50)/100 = प्रति कार्य 2.5 gCO2e है, केवल घोषित दायरे में।
सत्यापन प्रक्रिया
- दायरा, कार्य इकाई और कारक तय करें।
- ऊर्जा, निहित उत्सर्जन और परिणाम अलग करें।
- स्रोत और बिना छिपे ऑफ़सेट की गणना रखें।
क्या नवीकरणीय ऊर्जा का प्रतिशत सॉफ्टवेयर तुलना के लिए पर्याप्त है?
नहीं। हर परिदृश्य का दायरा, ऊर्जा, गुणक, हार्डवेयर और कार्यात्मक इकाई बताएँ।
प्राथमिक स्रोत: Green Software Foundation — Software Carbon Intensity. संबंधित विधि: व्यावहारिक मार्गदर्शिका पढ़ें.
गायब मान, शून्य और अनुमान
गायब अवलोकन मापा हुआ शून्य नहीं है।
- न मिले फ़ील्ड, लागू न होने वाले अवलोकन और संग्रह विफलता अलग करें। वास्तविक माप हो तो शून्य रखें; हर खाली मान को शून्य बनाना अलग स्थितियाँ मिला देता है।
- काल्पनिक उदाहरण [10, अनुपस्थित, 0] में दो अवलोकनों का औसत 5 है। अनुपस्थिति को शून्य बनाकर तीन से भाग देना अलग प्रश्न का उत्तर है; दोनों गिनतियाँ दिखाएँ।
- अनुमानित मान के लिए भरने का चिह्न और नियम रखें। अनुमान सहित और बिना परिणाम तुलना करें; वैध अवलोकन न हों तो परिणाम अनुपलब्ध दिखाएँ, औसत शून्य नहीं।
दोहराने योग्य स्वीकृति मामला
काल्पनिक उदाहरण: डेटा किसी ग्राहक या देखे गए परिणाम का नहीं है।
मामले के इनपुट देखें
{
"values": [
10,
null,
0
],
"observed_count": 2,
"mean_observed": 5,
"mean_if_missing_replaced_with_zero": 3.3333333333,
"extended_sample": {
"values": [
10,
null,
0,
20,
null,
30
],
"known_count": 4,
"expected_count": 6,
"known_sum": 60,
"mean_observed": 15,
"mean_after_zero_fill": 10
},
"missing_only_sample": {
"values": [
null,
null
],
"known_count": 0,
"mean_observed": null
}
}अपेक्षित निर्णय
देखे गए मूल्यों का औसत 5 है। अनुपस्थिति को शून्य करने से जनसंख्या और परिणाम बदलते हैं।
एक ही डेटा, दो औसत: नियम दिखाएँ
काल्पनिक डेटा: [10, अनुपलब्ध, 0, 20, अनुपलब्ध, 30]। छह अपेक्षित अवलोकनों में चार मान ज्ञात हैं; ज्ञात योग 60 है। मौजूद शून्य वास्तव में देखा गया मान है।
| उपचार | औसत की गणना | व्याख्या |
|---|---|---|
| केवल ज्ञात मान | 60 ÷ 4 = 15 | औसत चार ज्ञात मानों का वर्णन करता है। यह नहीं सिद्ध करता कि दो अनुपलब्ध मानों का वितरण भी वैसा होता। |
| अनुपलब्ध मानों की जगह शून्य | 60 ÷ 6 = 10 | दो शून्य नियम से जोड़े गए, देखे नहीं गए। यह औसत दूसरे प्रश्न का उत्तर देता है; तुलना से पहले नियम का औचित्य बताएँ। |
| दूसरा नमूना: [अनुपलब्ध, अनुपलब्ध] | गणना संभव नहीं | कोई ज्ञात मान नहीं: अनुपलब्ध स्थिति दिखाएँ। औसत शून्य उस अवलोकन का संकेत देगा जो मौजूद ही नहीं है। |
सत्यापन प्रक्रिया
- अनुपस्थिति, शून्य और अनुमान अलग करें।
- बहिष्करण से पहले और बाद औसत निकालें।
- संख्या और हर चर के नियम रखें। सभी मान अनुपस्थित वाले समूह का भी परीक्षण करें और देखें कि स्पष्ट नियम के बिना उसे मापा हुआ शून्य न दिखाया जाए।
प्राथमिक स्रोत: pandas — Working with missing data. संबंधित विधि: व्यावहारिक मार्गदर्शिका पढ़ें.