预测模型基础

祁连之子

已于 2024-02-29 11:14:22 修改

阅读量297

点赞数 8

文章标签：人工智能算法

于 2024-02-29 10:55:35 首次发布

本文链接：https://blog.csdn.net/gaosunka/article/details/136363770

版权

1.均值(期望)

定义及意义：均值（期望）描述的是样本集合的中间点（平均值）

$\bar{x} = \sum_{i=1}^{n} x_{i}$

2.标准差

定义及意义：标准差描述的是“散布度”,标准差小的距离均值较为集中。
以这两个集合为例，[0, 8, 12, 20]和[8, 9, 11, 12]，两个集合
的均值都是10，但显然两个集合的差别是很大的，计算两者的标准差，
前者是8.3后者是1.8。
ps:方差则仅仅是标准差的平方

$s=\sqrt{\frac{\sum_{i=1}^{n} (x_{i} -\bar{x})^{2}}{n-1}}$

方差 $s^{2}=\frac{\sum_{i=1}^{n} (x_{i} -\bar{x})^{2}}{n-1}$

3.协方差

定义及意义：标准差和方差一般是用来描述一维数据的。
协方差就是这样一种用来度量两个随机变量关系的统计量
##########################################
结果：
正值说明两者是正相关的
结果为负值， 就说明两者是负相关
为0，则两者之间没有关系

$S_{xy}=\frac{\sum_{i=1}^{n} (x_{i}-\bar{x})(y_{i}-\bar{y}))}{n-1}$

4.相关系数

定义及意义：协方差容易受到数值大小的影响，如果Xi和yi的值
均扩大10倍，则Sxy 也会扩大，为了解决这个问题，
我们把通常把协方差归一化，也就是相关系数。
相关系数消除了协方差 数值大小的影响

$r=\frac{S_{xy}}{S_{x}S_{y}}$

正相关: 0< r <=1

负相关: -1<= r <0

不相关: r=0 ，r=0代表不相关，并不一定独立

时间序列参数模型

移动平均模型(Moving Average,MA)

$X^{t}=\sum_{i=1}^{q} \beta _{i}\varepsilon _{t-i}+\varepsilon _{t}$

自回归模型(Auto Regressive,AR)

$X^{t}=\sum_{i=1}^{p} \alpha _{i}X _{t-i}+\varepsilon _{t}$

自回归移动平均模型(Auto Regressive Moving Average,ARMA)

$X^{t}=\sum_{i=1}^{p} \alpha _{i}X _{t-i}+\sum_{i=1}^{q} \beta _{i}\varepsilon _{t-i}+\varepsilon _{t}$

(参数解释：假设 $x_{t}$ 表示ｔ时刻的时间序列的值,ｐ和ｑ表示时间窗的大小， $\varepsilon _{t}$ 表
示ｔ时刻的白噪声， $\alpha _{1},...,\alpha _{p}$ 和 $\beta _{1},...,\beta _{q}$ 表示权重系数。)