归档 | 时间序列

时间序列与更传统的分类和回归预测建模问题不同。时间结构为观测值增加了顺序。这种强制的顺序意味着关于这些观测值一致性的重要假设需要被特别处理。例如，在建模时，有一些关于观测值摘要统计量一致性的假设。 […]

移动平均平滑是时间序列预测中的一种朴素而有效的方法。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，您将了解如何使用 Python 中的移动平均平滑进行时间序列预测。完成本教程后，您将知道：移动 […]

在任何时间序列预测问题中，建立一个基线都至关重要。性能基线能让您了解所有其他模型在您的问题上实际会表现得多好。在本教程中，您将了解如何开发一个持久化预测，您可以使用它来计算一个性能基线水平 […]

时间序列数据集可能包含季节性成分。这是一个随时间重复出现的周期，例如月度或年度。这个重复的周期可能会掩盖我们希望在预测中建模的信号，从而也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 […]

我们的时间序列数据集可能包含趋势。趋势是系列随时间持续的增加或减少。识别、建模甚至移除时间序列数据集中的趋势信息可能会带来益处。在本教程中，您将了解如何从时间序列数据中建模和移除趋势信息 […]

k折交叉验证不适用于时间序列数据，以及您可以使用的替代技术。时间序列预测的目标是做出准确的未来预测。我们在机器学习中依赖的高效方法，例如使用训练-测试分割和 k 折交叉验证，都不起作用 […]

您可能观测值的频率不正确。也许它们过于精细或不够精细。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 来增加和减少数据采样频率 […]

在我们可以开始使用机器学习算法之前，时间序列数据必须被重构为监督学习数据集。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。您可以使用的两种技术来一致地重缩放时间序列数据是归一化和标准化。在本教程中，您将了解如何将归一化和标准化重缩放应用于您的时间序列数据 […]

Python 中的 Pandas 库为时间序列数据提供了出色的内置支持。加载后，Pandas 还提供工具来探索和更好地理解您的数据集。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，您将知道：如何加载您的时间序列数据集 […]