诸如深度学习之类的机器学习方法可用于时间序列预测。在可以使用机器学习之前，必须将时间序列预测问题重塑为监督学习问题。从序列到输入和输出序列的配对。在本教程中，您将了解如何转换单变量和多变量时间序列预测 […]
LSTM 网络中的权重正则化用于时间序列预测
长短期记忆（LSTM）模型是一种递归神经网络，能够学习观测序列。这可能使其成为时间序列预测的理想网络。LSTM的一个问题是它们容易过度拟合训练数据，从而降低其预测能力。权重正则化是一种施加约束（例如L1 […]
如何使用统计显著性检验来解释机器学习结果
当比较两种不同的机器学习算法或比较相同算法的不同配置时，收集一组结果是一种很好的做法。重复每个实验运行30次或更多次，可以从一组结果中计算出预期的平均性能，考虑到大多数 […]
估算随机机器学习算法的实验重复次数
许多随机机器学习算法的一个问题是，在相同数据上运行相同算法的不同次会产生不同的结果。这意味着在进行实验以配置随机算法或比较算法时，您必须收集多个结果，并使用平均性能来总结模型的技能。这 […]
带有 LSTM 网络的 Dropout 用于时间序列预测
长短期记忆（LSTM）模型是一种递归神经网络，能够学习观测序列。这可能使其成为时间序列预测的理想网络。LSTM的一个问题是它们容易过度拟合训练数据，从而降低其预测能力。Dropout是一种正则化方法，其中输入和递归 […]
如何为时间序列预测配置多层感知器网络
在新项目预测建模中使用神经网络时可能会感到困难。需要配置的内容太多，而且没有明确的起点。系统化至关重要。您可以打破错误的假设，快速找到有效的配置以及可能需要进一步研究的领域 […]
在线学习状态LSTM用于时间序列预测的不稳定性
某些神经网络配置可能导致模型不稳定。这使得在描述性统计中使用它们来表征和比较同一问题上的其他模型配置变得困难。一个很好的例子是使用在线学习（批大小为1）的有状态长短期记忆 […]
有状态和无状态 LSTM 用于 Python 时间序列预测
Keras Python深度学习库支持有状态和无状态的长短期记忆（LSTM）网络。在使用有状态LSTM网络时，我们可以精细地控制LSTM网络的内部状态何时被重置。因此，了解在拟合和进行预测时管理此内部状态的不同方法很重要 […]
如何在LSTM网络中使用特征进行时间序列预测
Keras中的长短期记忆（LSTM）网络支持多个输入特征。这引发了一个问题，即单变量时间序列的滞后观测是否可以作为LSTM的特征，以及这是否会提高预测性能。在本教程中，我们将研究滞后观测作为特征的使用 […]
如何在用于时间序列预测的 LSTM 网络中使用时间步长
Keras中的长短期记忆（LSTM）网络支持时间步。这引发了一个问题，即单变量时间序列的滞后观测是否可以作为LSTM的时间步，以及这是否会提高预测性能。在本教程中，我们将研究滞后观测作为时间步的使用 […]