kaggle竞赛宝典 | 两大Kaggle时序金牌级强特

本文来源公众号“kaggle竞赛宝典”，仅用于学术分享，侵权删，干货满满。

原文链接：两大Kaggle时序金牌级强特。

简介

今天介绍在时间序列中非常强势的两个特征，这些特征在一些序列问题分类以及回归问题中起到非常大的作用，在非常多的问题中都展现了极好的效果。

时间序列强特

01 Fourier 变换

傅里叶变换是一种将时序信号分解为其频率分量的数学技术。它基于如下原理：

• 任何信号都可以分解为一系列具有不同幅度、频率和相位的正弦波。

通过捕获数据中的周期性模式，傅里叶变换可以帮助我们识别隐藏的结构和趋势。

傅里叶变换可分为两类：用于连续信号的连续傅里叶变换（CFT）和用于离散信号的离散傅里叶变换（DFT）。

快速傅里叶变换（FFT）是一种计算序列 DFT 的高效算法。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.fft import fft, ifft

time_series = np.random.random(200)

# Perform Fast Fourier Transform (FFT)
fft_values = fft(time_series)

# Get the magnitude and frequencies
fft_magnitude = np.abs(fft_values)
frequencies = np.fft.fftfreq(len(time_series))

02 自相关和偏自相关

• 自相关，也称为自协方差函数或序列相关， 用于衡量时序数据点在不同滞后时间上的线性关系。

• 偏自相关，用于衡量在去除较小滞后时间上其他数据点影响后，两个数据点在不同滞后时间上的相关性.

from statsmodels.tsa.stattools 
import acf, pacf 
data = np.array([...])   
lags             = 10 
autocorr         = acf(data, nlags=lags) 
partial_autocorr = pacf(data, nlags=lags)
 

适用问题

适用于所有时序问题。

THE END!

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。