所有文章
> 当前分类:AI驱动
突破XGBoost！时间序列预测 ！！
2025/01/08
## __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（Weathe...
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]( __DTW公式__ 
【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]( ### __什么是Stacking？__ Stacking（堆叠）是[机器学习]( ### __核心思想__ - 多模型融合：同时使用多个不同的[基学习器]( Learners），每个模型对同...
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
基于LSTM模型的多输入多输出单步时间序列预测
【AI驱动】
数据集为某天气预报数据，该数据集时间维度为2013年1月1日至2017年4月24日，存在 3 个特征分别是meantemp, humidity, meanpressure，接下来将以这三个特征为输入、输出，建立一个多输入多输出的LSTM模型...
2025/01/07
搜索文章
热门话题
文章精选
