所有文章
> 当前分类:AI驱动
突破LightGBM！最强时间序列模型！！
2025/01/08
LightGBM 的核心概念 o是一种基于树的算法，也就是说，它是用很多小的决策树来构建预测模型。 它主要有两个特点： 梯度提升：每一棵新的树都是在上一次的误差基础上进行改进的。它不断地改进模型的预测结果，使得误差越来越...
突破XGBoost！时间序列预测 ！！
【AI驱动】
1. 问题定义 假设我们有一个零售公司，该公司的目标是预测未来7天的销售量。 数据集包括以下几列： 日期：具体的销售日期 销售量（Sales）：每天的销售量数据 天气（Weather）：当天的天气情况（如晴天...
2025/01/08
突破LSTM！结合ARIMA时间序列预测 ！！
【AI驱动】
混合模型数学原理 ARIMA模型 ARIMA模型（Auto-Regressive Integrated Moving Average）是基于时间序列的自回归和滑动平均过程。它可以表示为 ARIMA(p, d, q)，其中： ...
2025/01/08
突破K-means，与DTW时间序列聚类分析 ！！
【AI驱动】
理论基础 1. 动态时间规整（DTW） DTW是一种用于比较两个时间序列相似性的算法。它允许时间轴上的非线性对齐，从而处理时间序列中的速度变化。 DTW公式 DTW计算的结果是两个序列的对齐路径以及最小的总对...
2025/01/08
突破LSTM，消费预测 ！！
【AI驱动】
原理阐述 LSTM 是一种改进型的RNN，特别适用于时间序列数据的建模。与传统RNN相比，LSTM能够更好地解决梯度爆炸和梯度消失问题，能够学习并记住长期依赖关系。因此，LSTM在各类时间序列预测问题中，尤其是在财务数据分析、股市预测...
2025/01/07
突破最强时间序列模型，向量自回归！！
【AI驱动】
首先来说，时间序列模型是用来分析和预测数据随时间变化的模型。所谓“时间序列”，就是一个随着时间推移而记录下来的数据，比如股票价格、气温、销售额等。时间序列模型的目标是利用过去的数据（历史记录）来预测未来的值。 比如说，你每天都记录你体...
2025/01/07
SOFTS模型的单特征时间序列预测实现
【AI驱动】
SOFTS 2024年4月《SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion》中提出的新模型，采用集中策略来学习不同...
2025/01/07
KAN:Kolmogorov–Arnold Networks分类模型实现
【AI驱动】
KAN是当前提出的一种全新的神经网络架构，传统的MLP多层感知器中，通常使用的激活函数是非线性的，例如ReLU、sigmoid或tanh，这些激活函数在大多数深度学习框架中都是不可学习的函数，只是应用于每个神经元的输出，MLP的线性层（全连...
2025/01/07
基于熵权法的TOPSIS模型
【AI驱动】
前言 TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）是一种多准则决策分析方法，用于在多个方案之间进行排序。而熵权法是一种用于确定指标权重的方...
2025/01/07
逻辑回归模型(logistic regression)
【AI驱动】
前言 逻辑回归（Logistic Regression）是一种用于处理分类问题的统计学习方法，尽管名字中包含“回归”一词，但它实际上是一种分类算法，通常用于解决二分类问题（也可扩展到多分类问题）。逻辑回归适用于预测一个二分类目标变量的...
2025/01/07
可解释性机器学习库Shapash——鸢尾花XGBoost分类解释实现
【AI驱动】
Shapash是一个用于解释机器学习模型预测结果的Python库。旨在使每个人都可以解释和理解机器学习。它提供了各种可视化效果，带有清晰明确的标签，所有人都可以轻松理解。借助 Shapash，可以生成一个 Webapp，以简化对模型特征之间...
2025/01/07
基于VMD分解的VMD-LSTM时间序列预测模型实现，大力提升预测精度！
【AI驱动】
VMD是一种信号处理技术，用于将复杂的时间序列信号分解成多个局部频率模式，这些模式可以反映信号中的不同频率成分和振幅变化。VMD的主要思想是通过优化问题，将信号分解成多个本征模态函数（EMD），这些函数具有不同的频率和振幅特征，并且在一定程...
2025/01/07
特征选择：Lasso和Ridge算法结合的弹性网络回归实现
【AI驱动】
背景 弹性网络是一种结合岭回归（L2正则化）和Lasso回归（L1正则化）优点的线性回归模型，它在目标函数中引入了两种正则化的权重参数，使得模型既具有Lasso的特性（可以将某些不重要的特征系数缩为零，实现特征选择），又具有岭回归的特...
2025/01/07
回归预测模型训练集与测试集的进阶可视化
【AI驱动】
背景 真实数据的分布与模型预测结果的差异往往隐藏在更复杂的图表中，为了更全面地呈现训练集与测试集之间的关系，并直观展示预测值的置信区间及边缘分布，本篇文章将带大家深入理解一套综合性的可视化方案，本文集成置信区间与边缘柱状图的新图表形式...
2025/01/07
从入门到实践：如何利用Stacking集成多种机器学习算法提高模型性能
【AI驱动】
背景 在机器学习领域，通常会接触到多种回归或分类模型，但单一模型的性能可能受限于算法本身的特点。如何整合多个模型的优势，进一步提升模型性能？Stacking（堆叠）技术便应运而生，本文通过一个实际案例，深入浅出地讲解如何使用Stack...
2025/01/07
使用LSTM模型预测多特征变量的时间序列
【AI驱动】
数据集为印度气候天气预报数据，该数据集提供2013年1月1日至2017年4月24日在印度德里市的数据，存在 4 个参数分别是meantemp, humidity, wind_speed, meanpressure，其中meantemp为待预...
2025/01/07
搜索文章
热门话题
