Pipeline Trích xuất Đặc trưng Chuỗi Thời gian & Đánh giá Hồi quy

Mục tiêu kiến thức

• Xây dựng Pipeline kỹ nghệ đặc trưng chuỗi thời gian (Feature Engineering) cho bài toán dự báo hồi quy Machine Learning.
• Triển khai các biến trễ (Lag Features) y_t-k và thống kê trượt (Rolling Statistics) có cơ chế dịch chuyển shift(1) triệt để nhằm ngăn chặn rò rỉ thông tin tương lai (Lookahead Bias).
• Mã hóa chu kỳ lịch biểu (Cyclical Encoding) cho ngày trong tuần và tháng bằng phép biến đổi sin / cos.
• Tự cài đặt trọn vẹn bộ chỉ số đánh giá mô hình hồi quy: MAE, MSE, RMSE, MAPE và hệ số xác định R².

Mô tả bài toán

Trong dự báo chuỗi thời gian (như nhu cầu tiêu thụ điện, doanh số bán hàng, lưu lượng truy cập), các mô hình học máy bảng (như Gradient Boosting hoặc Hồi quy) không thể tự động hiểu được thứ tự thời gian nếu không được cung cấp các đặc trưng trễ và xu hướng di động. Sai lầm phổ biến nhất của kỹ sư dữ liệu là tính rolling(w).mean() mà quên shift(1), khiến mô hình vô tình nhìn thấy trước đáp án của thời điểm hiện tại.

Hãy xây dựng lớp và hàm:

class TimeSeriesFeaturePipeline:
    def __init__(self, lags: list[int], windows: list[int]):
        ...
    def transform(self, df: pd.DataFrame, target_col: str, datetime_col: str = None) -> pd.DataFrame:
        ...

def evaluate_regression_metrics(y_true: np.ndarray, y_pred: np.ndarray) -> dict[str, float]:
    ...

Yêu cầu chi tiết:

• Lớp TimeSeriesFeaturePipeline:
• Khởi tạo với danh sách các bước trễ lags: list[int] (lags_i ≥ 1) và các kích thước cửa sổ windows: list[int] (windows_i ≥ 2). Nếu không thỏa mãn, ném ValueError.
• Phương thức transform(df, target_col, datetime_col):
• Tạo bản sao độc lập của df.
• Với mỗi k ∈ lags: Tạo cột f"{target_col}_lag_{k}" = df[target_col].shift(k).
• Với mỗi w ∈ windows:
• f"{target_col}_roll_mean_{w}" = df[target_col].shift(1).rolling(w).mean()
• f"{target_col}_roll_std_{w}" = df[target_col].shift(1).rolling(w).std(ddof=1)
• Nếu datetime_col được cung cấp (chuỗi hoặc datetime):
• Chuyển sang pd.to_datetime.
• Lấy ngày trong tuần dow = dt.dayofweek (0..6):
• dow_sin = np.sin(2 * np.pi * dow / 7.0)
• dow_cos = np.cos(2 * np.pi * dow / 7.0)
• Lấy tháng month = dt.month (1..12):
• month_sin = np.sin(2 * np.pi * (month - 1) / 12.0)
• month_cos = np.cos(2 * np.pi * (month - 1) / 12.0)
• Loại bỏ toàn bộ các dòng chứa NaN (do quá trình shift và rolling sinh ra) bằng dropna().
• Reset index tuần tự (drop=True) và trả về DataFrame đặc trưng.
• Hàm evaluate_regression_metrics(y_true, y_pred):
• Ép kiểu về np.ndarray 1D float64. Nếu kích thước không khớp nhau hoặc rỗng, ném ValueError.
• Tính toán các chỉ số:
• MAE = 1N ∑ |y_i - y_i|
• MSE = 1N ∑ (y_i - y_i)²
• RMSE = √(MSE)
• MAPE = 100N ∑ | y_i - y_iy_i | (với các điểm y_i ≠ 0)
• R² = 1 - ∑ (y_i - y_i)²∑ (y_i - y)² (nếu ∑ (y_i - y)² == 0, gán R² = 0.0).
• Trả về dictionary:

{"mae": round(mae, 4), "mse": round(mse, 4), "rmse": round(rmse, 4), "mape": round(mape, 4), "r2": round(r2, 4)}.

Ràng buộc

• Số dòng dữ liệu: 10 ≤ N ≤ 50,000.
• Tuyệt đối không dùng scikit-learn. Toàn bộ tính bằng pandas và numpy.