一.时序预测
对数据依照时间顺序排成序列,分析其变化和程度,从而对未来目标实现预测。时间序列预测的基本思想,就是将时间序列作为一个随机变量的一个样本,用概率统计的方法,从而尽可能减少偶然因素的影响。
*注意时序预测对时间有严格要求,不得出现时间穿越
二.数据处理
拿到数据后先对数据进行初步分析,一般依照步骤对数据的缺失值、异常值、无效值进行处理,
data.info()、data.describe()可以对数据总体进行大致展示
missingno库观察缺失值,data.hist()绘制直方图、plot.box()处理异常值,积极利用可视化手段。
对部分数据进行程序可以处理的编码处理。
*可以将训练数据和测试数据进行合并处理,统一构建,提高测试分数
三.特征工程
观察并提炼出关键特征。
历史平移特征:观察历史周期性,截取一段历史数据来代表未来数据走势。
窗口统计特征:对一段固定数量的数据进行数据统计。
四.深度学习的部分实践
K折交叉验证,分成K份,进行K-1次的随机训练 Kfold()
stacking融合,一种分层模型继承框架,原理就是神经网络的基本原理,多层处理曾对相同数据不断过滤。