240 发简信
IP属地:广东
  • @shirou 历史销售数据可以做聚合,比如日/月/年均销售额等

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @AG_f3a5 是的,维度不相同

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @Eric_aeee 1-9月数据构建预测特征X1和目标变量y1,即(X1,y1);2-10月数据构建预测特征X2和目标变量y2,即(X2, y2);3-11月数据构建预测特征X3和目标变量y3,即(X3, y3)。拼接后得到(X,y),其中X = {X1, X2, X3},y = {y1, y2, y3]。而对于这三组数据,因为时间窗口不一样,所以基于此构造的(Xn, yn)是不一样的。

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @没有车胎的战车 不同组数据用的是不同时间段的数据,比如可能第一组用1-3月数据,第二组用2-4月数据,第3组用3-5月数据,那统计出来的结果是不一样的,拼接后不重复

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @hoojjack 整体来说这个理解是对的,还需要注意的就是,我这里提到的一个模型的方式,特指使用机器学习算法做预测,建模时需要人为从时间序列中构造截面数据,单店预测的话,可以使用传统时间序列预测模型(无需构造截面数据)

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @hoojjack 是的,假设1-100号店都有1-12月份的数据,数据维度(特征数)都是M,各店的样本量为 n1、n2、...、n100,那么我们的训练集应该有 (n1+n2+...+n100)个样本、M个特征,需要注意的是,M个特征里应该包含有每家店本身的信息(如店铺历史销售情况、店铺所在区域等等),因为不同店有不同销售特性

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @hoojjack 我整篇文章就是在解释如何“对这100家店一起建模”呢

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @masterqkkee 是的

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @各马马它 比如视频网站要预测用户A在2019年1月会不会买会员,那么y就是“用户A在2019年1月买会员”,X则可以从用户A在2018年的行为数据中提取的特征(比如登录频率,观看时长,视频偏好等)

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @侠义江湖 时间序列预测有基于线性代数的和基于机器学习的两种方法,前者的话很多统计书籍有提到,后者可以去文章中提到的建模平台找

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @ckz2706 是的,就是这个意思

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @追梦人_3dea 训练集大小和标签集大小应该是一样的,训练集有100个样本,标签就应该有100个

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @Manfestain 天池、Kaggle上有很多大神分享代码,您可以去这些平台上找找

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @Panda_9dbf 每构造一组特征/Target,就会得到一组(X,y),在我的例子里对应地就有(X1,y1)、(X2,y2)、(X3,y3),对于这三组数据集,在python里concat起来就可以了

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @Slientge 做滑窗的时候会人为地构造“历史数据”和“未来数据”,target来自“未来数据”部分

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @民_11ee 样本数目和时间长度是两个不一样的东西,比如最终的训练集里有100个样本,每个样本代表一位用户,我只要能从历史数据里提取到关于这100位用户的特征就可以了,时间长度的长短,只会影响这些特征的质(数据越多越具有统计意义),不会影响量(不管时间跨度是多长,都可以得到100组特征并分配给这100个用户)

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @simple_8233 我个人比较喜欢做3到5个滑窗,但我也见过有做10多个滑窗的,这个有点类似k-fold cross validation,没有绝对标准,看具体数据量和测试效果

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

  • @陈磊兴 传统时间序列模型有指数平滑、ARIMA、多元线性回归等,非传统模型主要指机器学习模型,如随机森林、XGBoost、神经网络等

    机器学习与时间序列预测

    前言 在所有的预测问题里面,时间序列预测最让我头疼。 做时间序列预测,传统模型最简便,比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...