手把手教你用 Python 实现针对时间序列预测的特征选择

  1. 云栖社区>
  2. 雷锋网>
  3. 博客>
  4. 正文

手把手教你用 Python 实现针对时间序列预测的特征选择

玄学酱 2017-08-02 14:12:00 浏览2273
展开阅读全文

要将机器学习算法应用于时间序列数据,需要特征工程的帮助。

例如,单变量的时间序列数据集由一系列观察结果组成,它们必须被转换成输入和输出特征,才能用于监督性学习算法。

但这里有一个问题:针对每个时间序列问题,你可以处理的特征类型和数量,却并没有明确的限制。当然,古典的时间序列分析工具(如相关图correlogram)可以帮助评估滞后变量(lag variables),但并不能直接帮助开发者对其他类型的特征进行选择,例如从时间戳(年、月、日)和移动统计信息(如移动平均线moving average)衍生的特征。

因此,我们将在本教程中探讨如何利用基于特征重要性和特征选择的机器学习工具处理时间序列问题。

通过本教程的学习,你将了解:

● 如何创建和解释滞后观察的相关图。

● 如何计算和解释时间序列特征的重要性得分。

● 如何对时间序列输入变量进行特征

网友评论

登录后评论
0/500
评论
玄学酱
+ 关注
所属云栖号: 雷锋网