学习笔记---传统机器学习中的 Time Series

最新推荐文章于 2024-03-12 15:36:56 发布
最新推荐文章于 2024-03-12 15:36:56 发布
阅读量955 收藏
点赞数 1
分类专栏： python 文章标签： 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35301188/article/details/122306718
版权

学习笔记---传统机器学习中的 Time Series

课程链接：https://www.youtube.com/watch?v=aX7-E0E143A

引言

为什么需要？

在这里插入图片描述

预测颗粒度

在这里插入图片描述
在这里插入图片描述

时序模式

在这里插入图片描述

评价指标

在这里插入图片描述

传统时序模型

简单平均

在这里插入图片描述

滑动平均

在这里插入图片描述

指数平滑

在这里插入图片描述
根据权重预测，可设置离你越近的越重要！

线性趋势模型

在这里插入图片描述

Holt-Winters季节性回归

在这里插入图片描述
在这里插入图片描述
以上都是指数平滑预测！！

另外一大类（自回归模型–和指数平滑非常接近）

在这里插入图片描述
前面的是线性回归，和权重有关
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

平稳性

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

优点 VS 缺点

在这里插入图片描述

机器学习

https://www.youtube.com/watch?v=Muvto_9aetI

在这里插入图片描述
在这里插入图片描述
设定时间轴！！预测T时刻的值，必须要用T时刻之前的值进行训练即可！！
用过去预测未来！
在这里插入图片描述

拟合

在这里插入图片描述

模型验证

在这里插入图片描述

滑动验证

在这里插入图片描述
在这里插入图片描述

预测

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

滞后特征：指的是过去12天的预测未来一天的，都属于滞后特征。

模型选择

在这里插入图片描述
高斯过程时间复杂度高。。。
一般不用

案例

在这里插入图片描述
特征工程：
对类别进行lable encoding
在这里插入图片描述
在这里插入图片描述

深度学习

why:

在这里插入图片描述

RNN

在这里插入图片描述

RNN+传统时序

在这里插入图片描述

DEEP AR

deep 的自回归模型
在这里插入图片描述在这里插入图片描述

在这里插入图片描述
】在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

元辰辰辰辰辰辰
关注
专栏目录
机器学习笔记-XGBoost
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
08-01 6447
XGBoost是2016年由华盛顿大学陈天奇老师带领开发的一个可扩展机器学习系统。严格意义上讲XGBoost并不是一种模型，而是一个可供用户轻松解决分类、回归或排序问题的软件包。它内部实现了梯度提升树(GBDT)模型，并对模型中的算法进行了诸多优化，在取得高精度的同时又保持了极快的速度，在一段时间内成为了国内外数据挖掘、机器学习领域中的大规模杀伤性武器。更重要的是，XGBoost在系统优化和机器学习原理方面都进行了深入的考虑。
ml-time-series:机器学习技术应用于时间序列数据集
04-25
毫升时间序列 机器学习技术应用于时间序列数据集
【论文阅读】Time Series is a Special Sequence 1 概述与机器学习知识补充
m0_51324446的博客
02-02 5040
1.概述 选择了新的神经网络架构，对时间模型进行样本卷积和交互，进而选择更优的时间关系特征(temporal relation features)，应用至时间序列预测中。 架构：下采样-卷积-交互（downsample-convolve-interact architecture） 作用：扩展卷积操作的感受野(receptive field/RF)，进行多分辨率分析(multi-resolution analysis)，最终使提取的时间关系特征具有强可预测性。 2.相关知识补充 感受野 在典型
time series 讲解
09-04
Time Series Segmentation: A Sliding Window Approach 的原版文章
机器学习pandas数据结构之Series笔记
08-22 147
对Series的理解也源于对其相关的代码操作，本次仅贴一些代码来加深理解以及记忆 1 import pandas as pd 2 import numpy as np 3 s = pd.Series(np.random.randn(5),index=['a','b','c','d','e']) # index添加行索引 4 s 5 # 输出 6 ...
机器学习 · 总览篇 II 机器学习的发展历程
OEDead的专栏
07-08 2064
学习任何领域，"了解"总是第一步，而认识该领域的发展历程是"了解"一个领域十分有效的方法 本文首发于我的知乎专栏《机器怎么学习》中 机器学习·总览篇(2) 机器学习的定义和类别，转载请保留链接 ???? 机器学习的发展历程 机器学习的发展和人工智能发展是离不开的，机器学习是人工智能研究发展到一定阶段的必然产物。 人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。下面是人工智能发展的三个时期: 推理期: 时间为1950s~1970s，人们认为只
企业网络规划与设计l-time-series-maste笔记
最新发布
07-02
企业网络规划与设计
百度之星程序设计赛题l-time-series-m开发笔记
07-01
百度之星程序设计赛题
a*搜索求解8数码问题ncial-time-series-ma开发笔记
07-01
a*搜索求解8数码问题
计算fibonacci数列每一项时所需的递归调用次数-time-series-m开发笔记
06-29
计算fibonacci数列每一项时所需的递归调用次数
时间序列预测中特征构建
思过留痕
07-30 6271
传统统计学习方法： naive approach, moving average, Holt linear, exponential smoothing, ARIMA, and Prophet 现代机器学习方法： 树模型等 深度学习方法： LSTM、Seq2seq、Transform-XL等 树模型需要人为构建特征，同时预测值不可超越区间内取值的上限。 深度学习网络，可以发现输入数据之间的交互关系，同时可以发现趋势。 根据数据可以尝试不同的方法，选择较优的方法。下面是树模型的构造特征的方法。 1. 时间戳特
线性回归预时间序列预测
zhilinxiangtian的博客
01-17 3485
时间序列预测问题线性回归方法什么是线性回归方法滞后影响多元线性回归怎么用线性回归方法为什么要使用线性回归方法 从kanggle看到的一个教程（原文 ），主要讲解了如何进行时间序列预测，本文采用该教程部分内容外加一些个人理解。时间允许的情况下最好去看下原文 。 kaggle上还有很多其他的教程，初学者看一下挺好的。最近浏览了一遍，整体感觉语言比较凝练，却又通俗易懂，是不错的教程。每节还附带有练习，除了有时候网速问题，其它的都挺完美。 滞后和时间步长是时间序列特有的特征，滞后表示当前状态对后续状态的影响，（时间
特征工程学习整理
weixin_42209537的博客
03-12 478
特征工程是机器学习中非常重要的一步，它可以有效提高模型的性能，特征工程主要包括特征提取、特征变换和特征构造三个方面。
时间序列分析的关键问题
weixin_41917285的博客
01-19 1265
特征提取 利用深度神经网络或者传统特征工程的方法，例如卷积、多尺度卷积或者PCA降维法。 首先，时间序列的特征工程也大多是基于这三个数据衍生出来的： 时序值衍生的特征 因为时间序列是通过历史来预测未来，那么，这个时序值的历史数据，也就是当前时间点之前的信息就非常有用，通过他可以发现时间序列的趋势因素、季节性周期性因素以及一些不规则的变动，具体来说这部分特征可以分为三种：滞后值、滑动窗口统计和拓展窗口统计。滞后值也称lag feature，比如对于t时刻的数据，我们认为他是跟昨天的数据、上周同一天的数据、
时间序列分析：滞后｜差分｜滚动窗口｜单变量&多变量分析（python）
abcdegfgfg的博客
02-08 2655
整理了一下金融时间序列不同于别的数据的比较典型的几个处理方法，欢迎讨论～
java三次指数平滑_时间序列挖掘-预测算法-三次指数平滑法(Holt-Winters)
weixin_42349126的博客
02-26 1221
所有移动平均法都存在很多问题。它们都太难计算了。每个点的计算都让你绞尽脑汁。而且也不能通过之前的计算结果推算出加权移动平均值。移动平均值永远不可能应用于现有的数据集边缘的数据，因为它们的窗口宽度是有限的。这是一个大问题，因为数据集边缘的变动形态一般都是我们最感兴趣的部分。类似地，移动平均法也不能应用于现有数据集的范围之外。其结果是，它们对预测毫无用处。幸运的是，有一种很简单的计算方案能够避免所有这...
机器学习与时间序列预测
热门推荐
123
10-08 1万+
机器学习与时间序列预测  爱斯翠摩鸡 关注 2018.03.15 14:02* 字数 2186 阅读 2711评论 8喜欢 9 前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间序列做预测，比如预测某个品牌下某家店的未来销售额。 而现实中需要面对的任务更多是：预测...
时间序列挖掘-预测算法-三次指数平滑法(Holt-Winters)
weixin_30731305的博客
04-01 4263
在时间序列中，我们需要基于该时间序列当前已有的数据来预测其在之后的走势，三次指数平滑(Triple/Three Order Exponential Smoothing,Holt-Winters)算法可以很好的进行时间序列的预测。 时间序列数据一般有以下几种特点：1.趋势(Trend) 2. 季节性(Seasonality)。 趋势描述的是时间序列的整体走势，比如总体上升或者总体下...
Holt Winter时间序列模型
weixin_33829657的博客
10-13 2284
为什么80%的码农都做不了架构师？>>> ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值