- 博客(12)
- 收藏
- 关注
RSS订阅原创 Timesnet2
它会读取数据，构建模型，训练过程中评估模型的准确率，并自动保存效果最好的模型（带早停策略），最后在测试集上评估最终效果。通俗来说，这段代码就像是“把时间序列拆解成三部分：它在往哪走（趋势）、重复什么模式（季节）、保持在什么高度（水平），然后用这些信息去预测接下来会发生什么”，是一种结构清晰、可解释性强的时间序列预测方法。，用于训练、验证或测试不同任务（如预测、分类、异常检测），支持多种数据集格式和自定义参数（如窗口大小、batch size、时间编码等），从而提高代码的模块化和灵活性。
2025-04-14 14:24:15
587
原创 Timesnet1
TimesNet 是一种用于时间序列数据的深度学习模型，特别适用于长序列的预测任务。它是一个基于 Transformer 的模型，在时间序列预测中具有优势，能够处理复杂的时序依赖关系。
2025-04-14 12:59:52
684
原创 【解决CH3】交叉检验
交叉验证是把数据拆分成不同部分来训练和测试模型，从而确保模型既能学好训练集，又能在未见过的数据上表现不错。模型在训练集上表现得很好，但在测试集上效果却很差——说明它“只学会了死记硬背”，没学会“举一反三”。交叉验证是训练模型前必须做的第一步它能帮你发现是否过拟合，是否泛化良好一个合理的交叉验证方案，是构建高质量模型的基础交叉验证：是一种将数据划分为多个子集、轮流用于训练和验证，以评估模型泛化能力的方法。（准备）训练模型。
2025-04-14 12:51:14
938
原创 Early Stopping（早停机制）
早停（Early Stopping）是一种防止模型过拟合的正则化*策略，它在模型训练过程中监控某个指标（通常是验证集的 loss 或 accuracy），
2025-04-11 09:29:15
704
原创 DLinear（Decomposition-Linear）
DLinear（Decomposition-Linear）模型是一种用于时间序列预测的深度学习模型，首次由华为诺亚方舟实验室在论文中提出。它的核心思想是将时间序列分解为趋势和季节两个部分，然后分别用线性层*进行建模，属于一种轻量级、解释性强的模型。DLinear 是一种结合了时间序列分解思想和简单线性结构的轻量级模型。它在效率和解释性方面有显著优势，特别适合结构清晰、趋势明显的时间序列数据。
2025-04-10 14:29:38
971
原创 N-BEATS（Neural Basis Expansion Analysis for Time Series）
总体来说，N-BEATS 是一个兼具准确率与灵活性的新型时间序列预测模型，适合在数据量大、预测窗口灵活、特征难构造的场景下使用。整个模型由多个这样的 block 顺序堆叠而成，每个 block 会尝试“解释”输入时间序列的一部分，并将剩余未解释的部分传给下一个 block。该模型基于前馈神经网络，完全不依赖循环结构（如RNN、LSTM）或卷积结构，表现出了与甚至超过传统统计模型和深度模型的性能。*每个 block 的结构可以相同，但它们学习到的参数和建模的时间序列模式是不同的。*逐步对时间序列建模。
2025-04-10 13:33:43
667
原创 MLP（Multilayer Perceptron，多层感知机）
MLP（多层感知机）能够通过堆叠多个全连接层和引入非线性激活函数（如ReLU、Sigmoid），自动从原始输入数据中逐层提取并组合高阶特征表示，从而绕过传统机器学习中需要人工设计特征工程的环节，实现端到端的学习功能。*BERT（双向编码表示模型）是基于Transformer的双向预训练语言模型，通过掩码语言建模（MLM）和下一句预测（NSP）任务学习上下文相关词向量，成为NLP领域通用特征提取器，可微调适配多种语言任务。：通过隐藏层和激活函数的组合，MLP可逼近任意复杂函数，解决线性不可分问题。
2025-04-10 10:25:38
953
原创 TCN（Temporal Convolutional Network，时间卷积网络）
它通过因果卷积（Causal Convolution）和膨胀卷积（Dilated Convolution）*结合残差连接（Residual Connections），解决了传统循环神经网络（RNN）在长序列任务中的梯度消失、并行计算困难等问题。*传统循环神经网络（RNN）：通过循环更新的隐藏状态将历史信息传递到当前时间步，使当前输出同时依赖当前输入和之前时刻的隐状态，从而实现对序列数据的时序建模。例如，卷积核仅覆盖当前及之前的时间步。：与RNN的顺序处理不同，TCN的卷积操作可并行化，显著加速训练和推理。
2025-04-10 09:29:14
1202
原创 RNN（循环神经网络）
循环神经网络（RNN）是一种适用于序列数据的神经网络模型。与传统的前馈神经网络*不同，RNN在网络中具有“记忆”能力，能够通过循环结构保持先前时间步的状态信息，因此特别适合处理时间序列数据或具有时序依赖关系的任务，如自然语言处理、语音识别等。RNN是一种强大的序列数据建模工具，能够处理具有时序依赖关系的数据。虽然它在某些情况下存在梯度消失等问题，但通过改进的变种（如LSTM和GRU）能够很好地解决这些问题。
2025-04-09 09:45:41
508
原创 LSTM（长短期记忆网络）
LSTM（Long Short-Term Memory）是一种用于处理和预测时间序列数据的递归神经网络（RNN）变种。它被设计用于克服标准RNN的长期依赖问题，使得模型能够记住长期的历史信息。LSTM主要用于自然语言处理、语音识别、时间序列预测等领域。
2025-04-09 08:07:11
428
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人