伪先知：一个自制的时间序列回归模型
‘伪先知：一个自制的时间序列回归模型’
借鉴 Meta’s Prophet 的想法来构建一个强大的时间序列回归模型
在这篇后续文章中，我将继续通过结合流行的 Prophet package¹ 和“以简单甚至线性模型获胜”的演讲²的思想来构建时间序列的弗兰肯斯坦模型。
在回顾我们将要做的事情之后，我们将触及回归模型——它是什么，为什么它特殊。
然后，我们将使用时间序列交叉验证进行超参数调整，得到一个“最佳”模型参数化。
最后，我们将使用 SHAP 对模型进行验证，然后利用模型形式进行专门的调查和手动调整。
- 施耐德电气利用SageMaker的检索增强学习模型，确保其企业资源计划（ERP）系统的实时更新
- VGG的实施’ (VGG de shí shī)
- 苹果研究人员引入了一种突破性的人工智能方法，可以从动态姿态的RGB图像中进行稠密三维重建
要涵盖这么多内容，让我们开始吧。
另外：我们在之前的一篇文章中介绍了基本数据准备和特征工程，所以现在直接跳转到建模。可以了解一下之前发生了什么：
False Prophet: 自制时间序列回归的特征工程（第1部分）
借鉴 Meta’s Prophet 的想法来为时间序列机器学习模型创建强大的特征
towardsdatascience.com
整体情况
让我们回顾一下我们在做什么。
最终目标很简单：在指定的时间范围内生成最准确的未来事件预测。
我们从一个只包含日期变量和感兴趣数量的时间序列开始。从此，我们衍生出了其他的特征，以帮助我们准确地建模未来的结果；这些特征在很大程度上“受到”Prophet的方法的启发。
这就是我们现在所处的位置：准备好将我们工程化的数据输入到一个轻量级模型中，训练它去预测未来。稍后我们将深入研究模型的内部工作原理。
让我们在继续之前再次回顾一下数据的样子。
数据
我们使用来自英国的真实世界数据——在这种情况下，使用的是 STATS19 道路交通事故数据集，其中…
