作者归档 | Jason Brownlee

移动平均平滑是一种简单而有效的时序预测技术。它可以用于数据准备、特征工程，甚至直接用于进行预测。在本教程中，您将学习如何使用 Python 进行移动平均平滑进行时序预测。完成本教程后，您将了解：移动平均……

建立基准线对于任何时序预测问题都至关重要。性能基准线能让您了解其他所有模型在您的问题上的实际表现如何。在本教程中，您将学习如何开发一个可以用于计算性能基准线水平的持久性预测……

时序数据集可能包含季节性成分。这是一种随时间重复的周期，例如每月或每年。这种重复周期可能会掩盖我们希望在预测中建模的信号，进而可能为我们的预测模型提供一个强烈的信号。在本教程中，您将了解如何……

我们的时序数据集可能包含趋势。趋势是指系列随时间持续增长或减少。识别、建模甚至去除时序数据集中的趋势信息可能会带来好处。在本教程中，您将了解如何对时序数据进行建模和去除趋势信息……

k折交叉验证不适用于时序数据，以及您可以使用哪些替代技术。时序预测的目标是做出准确的未来预测。机器学习中我们依赖于快速强大的方法，例如使用训练-测试拆分和 k 折交叉验证，但这些方法并不奏效……

您可能会遇到观测频率不正确的情况。也许它们过于精细，或者不够精细。Python 的 Pandas 库提供了更改时序数据频率的功能。在本教程中，您将学习如何使用 Python 中的 Pandas 来增加和减少时序数据的采样频率……

在我们可以开始使用机器学习算法之前，时序数据必须被重构为监督学习数据集。时序中没有输入和输出特征的概念。相反，我们必须选择要预测的变量，并使用特征工程来构建将要使用的所有输入……

如果您的时序数据具有一致的尺度或分布，一些机器学习算法的性能会更好。您可以用来一致地重新缩放时序数据的两种技术是归一化和标准化。在本教程中，您将了解如何将归一化和标准化重新缩放应用于您的时序数据……

Python 的 Pandas 库为时序数据提供了出色、内置的支持。加载后，Pandas 还提供了用于探索和更好地理解数据集的工具。在本帖中，您将了解如何加载和探索您的时序数据集。完成本教程后，您将了解：如何加载您的时序数据集……