Lag features

Lag features — это признаки временного ряда, которые «сдвигают» прошлые значения к текущему наблюдению. Например, для прогноза завтрашней цены акции мы не знаем её, но знаем вчерашнюю — это и есть lag. Технически это копирование данных за предыдущий период: ряд сдвигается на один шаг и становится отдельной колонкой «вчера». Сдвигов может быть несколько: день, неделя, месяц — каждый несёт свой смысл.

Без лаговых признаков модель видит плоскую таблицу и не понимает порядка событий. А реальные процессы — погода, продажи, трафик — имеют динамику: сегодня зависит от вчера, вчера — от позавчера. Lag features позволяют алгоритмам «почувствовать» время в обычной табличной структуре, не прибегая к сложным рекуррентным сетям. Это быстрый и наглядный способ добавить временное измерение.

Интуиция проста: чтобы предсказать уровень воды в реке завтра, достаточно знать уровень сегодня и три дня назад. Вы делаете копии старых значений и подставляете их рядом с сегодняшним. Модель сама заметит закономерности: если вчера было высоко, а позавчера низко — вероятен спад. Лаги действуют как память: разворачивают прошлое в строки, понятные любому алгоритму.

Пример: предсказание продаж мороженого. Спрос зависит от температуры вчера и позавчера, ведь люди планируют поход в кафе заранее. Добавив два lag-признака — «температура вчера» и «температура позавчера» — модель заметит, что после жаркого дня мороженое берут чаще. Без них она увидела бы лишь среднюю температуру и дала грубый прогноз.

Итог: lag features — простой и мощный инструмент для временных рядов. Они не требуют спецбиблиотек, легко считаются и дают модели «память о прошлом», часто решающую успех прогноза. Главное — выбрать правильные сдвиги и не переборщить, иначе модель заучит шум. В этом балансе — мастерство инженера.