Основы прогнозирования со стационарными моделями

12+
12+

7 часов назад

ПожаловатьсяНарушение авторских прав
12+
12+

7 часов назад

ПожаловатьсяНарушение авторских прав
12+
12+

7 часов назад

@MattMacarty Это руководство охватывает основные принципы анализа временных рядов, уделяя особое внимание нормализации наборов данных с постоянным средним значением. Мы подробно рассмотрим математическую логику, лежащую в основе простого скользящего среднего, взвешенного скользящего среднего и простого экспоненциального сглаживания, чтобы вы точно понимали, когда следует применять каждый метод для получения надежных результатов. После изложения теории мы продемонстрируем практическую реализацию с помощью примеров кода. Вы узнаете, как генерировать точные прогнозы и сравнивать их с фактическими значениями с помощью наглядной визуализации данных. Этот рабочий процесс идеально подходит для аналитиков и студентов, стремящихся превратить необработанные, зашумленные данные в полезные выводы. Разделы 0:00 Введение в стационарные временные ряды: понимание стабильности среднего значения и сглаживание колебаний 0:30 Настройка среды: импорт numpy, pandas, matplotlib и statsmodels 1:40 Генерация и визуализация данных: создание стационарного выборочного набора данных со случайным нормальным шумом 3:26 Концепции базового прогнозирования: наивное прогнозирование как базовое сравнение 4:06 Простое скользящее среднее (SMA): вычисление скользящего среднего и сдвиг прогнозов вперед для предотвращения смещения, вызванного опережающим анализом 6:44 Взвешенное скользящее среднее (WMA): присвоение убывающих весов более старым наблюдениям с использованием скользящих лямбда-функций 9:28 Простое экспоненциальное сглаживание (SES): реализация экспоненциального сглаживания с помощью statsmodels с фиксированным параметром альфа 12:24 Метрики оценки модели: среднеквадратичная ошибка (RMSE), среднее абсолютное отклонение (MAD) и средняя абсолютная процентная ошибка (MAPE) 15:37 Стационарные и трендовые Данные: почему стационарные модели не могут улавливать восходящие тренды Необходимые библиотеки import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.api import SimpleExpSmoothing Прогнозирование временных рядов в Python (серии) Смотрите всю серию в виде плейлиста: https://www.youtube.com/playlist?list=PLVBVnG9BYaI8 Часть 1 – Работа с датами в pandas: DatetimeIndex, срезы и передискретизация: https://www.youtube.com/watch?v=m6_W1sBQItw Часть 2 – Стационарные модели: скользящие средние и экспоненциальное сглаживание (это видео) Часть 3 – Тренд и сезонность: метод Холта и сезонное разложение: https://www.youtube.com/watch?v=b0rlReNvOlI Часть 4 – PyCaret: автоматический поиск лучшей модели прогнозирования: https://www.youtube.com/watch?v=c0-p9pYNmYU Предпочитаете Excel? Прогнозирование с помощью скользящих средних в Excel: https://www.youtube.com/watch?v=mC1ARrtkObc Экспоненциальное сглаживание и взвешенное скользящее среднее в Excel: https://www.youtube.com/watch?v=IjETktmL4Kg ☕ Поддержите канал: Если этот урок сэкономил вам время и вы хотите поддержать независимые технические руководства без рекламы, вы можете купить мне кофе здесь: buymeacoffee.com/mjmacarty #Python #ПрогнозированиеВременныхСерий #ЭкспоненциальноеСглаживание

Название:

Основы прогнозирования со стационарными моделями

Категория:

Разное