艰难困苦，玉汝于成。

HyperTS是一个开源的时间序列分析库，主要用于处理和分析时间序列数据。

时间序列（英语：time series）是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。时间序列广泛应用于数理统计、信号处理、模式识别、计量经济学、数学金融、天气预报、地震预测、脑电图、控制工程、航空学、通信工程以及绝大多数涉及到时间数据测量的应用科学与工程学。（来源：维基百科）

时间序列异常点处理！

从这里开始就进入中级案例啦。基础案例请看我的第一篇文章：Crystal Ball—甲骨文水晶球风险管理软件（概念以及实战——基础案例篇）

通常情况下，我们拿到的数据并不是正态分布的，为了满足经典线性模型的正态性假设，常常需要使用1、指数变换2、对数转化3、倒数转换4、平方根后取倒数5、平方根后再取反正弦使其转换后的数据接近正态，Box-Cox变换可以使线性回归模型在满足线性、正态性、独立性以及方差齐性的同时，又不丢失信息。变换后有利于线性模型的拟合以及分析出特征的相关性。天又黑了，看起来要下雨的样子。...

对于波士顿房价数据集的预测实战# 预测 20 世纪 70 年代中期波士顿郊区房屋价格的中位数# 数据点比较少，只有 506 个，分为 404 个训练样本和 102 个测试样本# 输入数据的每个特征都有不同的取值范围。(train_data , train_targets) ,(test_data , test_targets) = boston_housing . load_data() # 查看训练数据输出：可以看到数据量较少，数据维度是13维的。............

prophet是facebook开源的一个时间序列预测算法。1、简介：时间序列预测算法Prophet是Facebook团队开源的一个时间序列预测算法，该算法结合了时间序列分解以及机器学习算法，并且可以对存在缺失值和异常值的时间序列进行预测。2、原理：由于现实中，时间序列常常是由趋势项，季节项，节假日效应和突发事件以及残差项组成，所以Prophet算法采用了时间序列分解的方法，它把时间序列分为了这几个部分：........................