这篇文章是关于nnetsauce 中单变量/多变量时间序列的贝叶斯预测。
对于采用的每个统计/机器学习(ML)模型, 都使用默认超参数。当然,进一步调整它们各自的超参数可能会获得更好的预测性能。
本文来自《数据黑客》,登录官网可阅读更多精彩资讯和文章。
1. 单变量时间序列
Nile数据集用作单变量时间序列。它包含了对1871年至1970年阿斯旺(原名阿苏安)尼罗河年流量的测量,其变化幅度为10 ^ 8 m ^ 3,1898年附近有明显的结构性变异。
library(datasets)
plot(Nile)
将数据集划分为训练/测试集:
X <- matrix(Nile, ncol=1)
index_train <- 1:floor(nrow(X)*0.8)
X_train <- matrix(X[index_train, ], ncol=1)
X_test <- matrix(X[-index_train, ], ncol=1)
nnetsauce的