关于如何避免在评估时间序列预测机器学习方法时出现方法论错误的案例研究。评估时间序列预测问题的机器学习模型具有挑战性。在问题框架或模型评估中很容易出现小错误，从而得出令人印象深刻的结果，但结果 […]
作者归档 | Jason Brownlee
如何在 Python 中使用 ARCH 和 GARCH 模型为时间序列预测建模波动性
方差或波动性随时间的变化，在使用 ARIMA 等经典方法对时间序列进行建模时会引起问题。ARCH 或 Autoregressive Conditional Heteroskedasticity（自回归条件异方差）方法提供了一种对时间依赖的方差变化（如波动性增加或减少）进行建模的方法。该方法的一个扩展 […]
用于时间序列预测的 4 种常见机器学习数据转换
时间序列数据在用机器学习算法建模之前，通常需要进行一些准备。例如，可以使用差分运算来消除序列中的趋势和季节性结构，以简化预测问题。一些算法，如神经网络，更倾向于在建模前对数据进行标准化和/或归一化。任何 […]
Python 中用于时间序列预测的指数平滑法简明介绍
指数平滑是一种单变量时间序列预测方法，可以扩展以支持具有系统趋势或季节性成分的数据。它是一种强大的预测方法，可以作为流行的 Box-Jenkins ARIMA 系列方法的替代。在本教程中，您将发现指数平滑 […]
Python 中用于时间序列预测的 SARIMA 简明介绍
自回归积分滑动平均模型，简称 ARIMA，是单变量时间序列数据预测中最广泛使用的方法之一。尽管该方法可以处理具有趋势的数据，但不支持具有季节性成分的时间序列。ARIMA 的一个扩展，它支持对时间序列季节性成分的直接建模 […]
17种Python统计假设检验（速查表）
快速参考指南，介绍应用机器学习中所需的 17 种统计假设检验，附带 Python 示例代码。尽管有数百种统计假设检验可供使用，但在机器学习项目中您只需要使用其中一小部分。在这篇文章中，您将发现 […]
如何减少最终机器学习模型的方差
最终的机器学习模型是指在所有可用数据上训练的，然后用于对新数据进行预测的模型。大多数最终模型存在的问题是它们的预测存在方差。这意味着每次拟合模型时，您都会得到一组略有不同的参数，这些参数 […]
如何开发一个有能力的机器学习时间序列预测模型
您拿到数据并被告知要开发一个预测模型。您会怎么做？这是一种常见情况；比大多数人想象的都要常见。也许您收到一个 CSV 文件。也许您获得了数据库的访问权限。也许您正在参加一场比赛。问题可以被合理地定义： […]
时间序列预测问题分类
当您遇到新的时间序列预测问题时，有很多需要考虑的因素。您的选择直接影响到项目中的每一步，从用于评估预测模型的测试框架的设计，到您正在处理的预测问题的根本困难。它 […]
Python 中的 11 种经典时间序列预测方法（速查表）
让我们深入探讨如何使用 Python 中的机器学习方法来对时间序列问题进行分类和预测。但首先，让我们回顾一下经典方法，我们将深入研究一套经典的用于时间序列预测的方法，您可以在探索之前在您的预测问题上进行测试 […]