如何在 Python 中评估概率预测并培养对不同指标的直觉。预测分类问题的概率而不是类别标签可以为预测提供额外的细微差别和不确定性。增加的细微差别允许使用更复杂的指标来解释和评估预测的概率。总的来说，用于 […]
如何开始使用深度学习进行时间序列预测（7 天迷你课程）
时间序列预测深度学习速成课。在 7 天内将深度学习方法应用于您的时间序列项目。时间序列预测具有挑战性，尤其是在处理长序列、噪声数据、多步预测以及多个输入和输出变量时。深度学习方法为时间序列预测提供了很多希望，例如 […]
如何使用 scikit-learn 中的校准分类模型
与直接预测分类问题的类别值不同，预测某个观测值属于每个可能类别的概率可能更方便。预测概率提供了一些灵活性，包括决定如何解释概率、带有不确定性地呈现预测以及提供更细致的方式来评估模型性能。预测 […]
如何在 Python 中使用 ROC 曲线和精确率-召回率曲线进行分类
与直接预测类别相比，预测某个观测值属于分类问题中每个类别的概率可能更灵活。这种灵活性源于概率的解释方式，可以通过不同的阈值来权衡模型所犯错误的关注点， […]
如何根据环境因素预测房间占用率
小型计算机，例如 Arduino 设备，可以用于建筑物中记录环境变量，从中可以预测简单且有用的属性。一个例子是根据温度、湿度和相关测量等环境测量来预测房间是否被占用。这是一种常见的时间序列分类 […]
使用脑电波预测人眼睁闭状态
如何避免在评估时间序列预测的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微小错误，这些错误会产生令人印象深刻的结果，但实际上 […]
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可能会引起问题。ARCH 或自回归条件异方差法提供了一种方法来对时间依赖的方差变化（例如增加或减少的波动性）进行建模。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
时间序列数据通常需要一些预处理，才能使用机器学习算法进行建模。例如，差分运算可用于去除序列中的趋势和季节性结构，从而简化预测问题。一些算法，如神经网络，更喜欢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
指数平滑是一种用于单变量数据的时间序列预测方法，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 系列方法的替代方案。在本教程中，您将了解指数平滑 […]
Python 中用于时间序列预测的 SARIMA 简明介绍
自回归综合移动平均模型，或 ARIMA，是用于单变量时间序列数据预测的最广泛使用的预测方法之一。虽然该方法可以处理具有趋势的数据，但它不支持具有季节性成分的时间序列。ARIMA 的一个扩展支持对 […] 的季节性成分进行直接建模。