濮匡正,声音图标没了,谁有黄页网址
发现进行预测时，与属性没有多大关系，只和时间有关，这时候就不能利用机器学习模型来解决，要用时间序列处理
这里用的python语言，使用一种统计模型ARIMA
Auto-Regressive Integrated Moving Averages
该模型需要三个参数 p d q
d一般在1和2之间选择，不做太多讨论
p：number of AR terms. ?AR terms 是指依赖变量的延迟。
如果p＝5，则x（t）的预测将变为 x(t-1),x(t-2),x(t-3),x(t-4),x(t-5)
q: number of MA terms. MA terms是指延迟误差，在预测等式的时候。
如果q＝5，对于x(t)的预测将会变为e(t-1),e(t-2),e(t-3),e(t-4),e(t-5)
e(i)是指第i次，实际值与MA的差异
最主要的是如何确定p和q的值，用ACF和PACF决定这两个数字。
acf Autocorrelation Function?
用来测量ts之间的关联性（包括自身的延迟版本）
在lag＝5的时候，acf会比较序列在t1和t2时刻，在t1-5 和 t2-5
pacf Partial Autocorrelation Function
也是用来测量ts之间的关联性，但是消除了那些已经被干预比较解释过的变量。比如：
在lag＝5的时候，在检查关联性的时候，会去除lag1-4的影响
使用ARIMA进行预测，需要数据具有平稳性。所以需要先对数据进行平稳性检测
Dicky－Fuller Test可以实现该功能
让一个序列平稳几乎是不可能的，但是我们可以尽可能的接近
有两个元素导致不平稳：趋势和季节性（不一定是天气）
原则就是为这两个元素建模或者估计，然后从序列中将起剔除，就可以利用统计模型对其进行预测。最后需要将预测值转换为原始的尺寸，通过将这两个因素约束回来
如何移除以及移除趋势
一个方法是利用转换函数，这个函数对更好的数做出更多的惩罚，比如使用log函数，开平方根
如何移除趋势和季节性
有两个方法：
Differencing ?带有时间延迟的差别
Decomposition（分解） 同时为趋势和季节性建模并从模型中将他们移除
如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复
Python爬虫:Request Payload和Form Data的简单区别说明
浅谈Python中threading join和setDaemon用法及区别说明
Python3-异步进程回调函数(callback())介绍
python继承threading.Thread实现有返回值的子类实例
Python中使用threading.Event协调线程的运行详解
我要评论
网友评论