您可能会遇到频率不正确的数据观测值。也许它们太精细，或者不够精细。Python 中的 Pandas 库提供了更改时间序列数据频率的功能。在本教程中，您将了解如何使用 Python 中的 Pandas 来增加和减少时间序列数据的采样频率 [...]

在我们开始使用机器学习算法之前，必须将时间序列数据重构为监督学习数据集。在时间序列中，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用于 [...] 的所有输入。

如果您的时间序列数据具有一致的尺度或分布，某些机器学习算法的性能会更好。您可以使用两种技术来一致地重新缩放时间序列数据：标准化和归一化。在本教程中，您将发现如何将标准化和归一化重新缩放到您的时间序列数据 [...]

Pandas 库在 Python 中为时间序列数据提供了出色、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。在本文中，您将了解如何加载和探索您的时间序列数据集。完成本教程后，您将了解：如何加载您的时间序列数据集 [...]

时间序列预测可以被构建为一个监督学习问题。通过这种重构，您可以将标准线性和非线性机器学习算法应用于您的问题。在本文中，您将了解如何将您解决时间序列问题的方式重构为监督学习问题 [...]

时间序列预测是机器学习中一个经常被忽视的重要领域。它很重要，因为有许多预测问题涉及时间分量。这些问题之所以被忽视，是因为正是时间分量使得时间序列问题更难处理。在本文中，您将了解时间 [...]

机器学习可以应用于时间序列数据集。这些问题是指需要预测数值或类别值，但数据行按时间排序的问题。在机器学习时间序列预测入门时遇到的一个问题是，很难找到高质量的标准数据集来练习。在本文中 [...]