时序分析 49 -- 贝叶斯时序预测（一）

贝叶斯时序预测（一）

    时序预测在统计分析和机器学习领域一直都是一个比较重要的话题。在本系列前面的文章中我们介绍了诸如ARIMA系列方法，Holt-Winter指数平滑模型等多种常用方法，实际上这些看似不同的模型和方法之间都具有千丝万缕的联系，包括我们一直没有涉及的最复杂的模型LSTM(Long Short Term Memory)。在实际的时序数据分析工作中，你会发现在通常境况下简单模型都比复杂模型更为有效。本文开始讨论另一套时序预测体系：Bayes 时序预测方法。这套方法的背后原理可以很简单，但也可以很深，我们不如从一个例子开始，先积累一些直觉和经验，后续系列会展开理论部分的讨论。

    贝叶斯时序预测通常不会预测时序点，而是给出时序点的分布，但如果希望预测时序点，你可以简单取该分布的均值或者中位数。

贝叶斯定理回顾

    上图展示了贝叶斯定理的基本结构，这个定理可以认为是机器学习领域最重要的定理了，个人认为没有之一。

让我们来简单回顾一下这个定理的核心内容，

• $P(A)$ ,是事件$A$的先验概率，可以理解为在没有任何具体的数据支持下，我们对事件$A$发生的概率的直觉，也可称为prior belief(先验信念)。先验信念表示了我们对事件$A$发生概率的主观理解。

• $P(B)$，是事件$B$的概率，在贝叶斯定理中一般称为边缘概率（marginal)。

• P ( A ∣ B ) P(A|B)