时间序列预测的特征工程
创建滞后、窗口和季节性特征,提取日期时间变量。
讲师:Soledad Galli
口袋资源独家Udemy付费课程,独家中英文字幕,配套资料齐全!
用不到1/10的价格,即可享受同样的高品质课程,且可以完全拥有,随时随地都可以任意观看和分享。
你将学到什么
- 如何使用传统机器学习模型进行预测
- 如何将时间序列转换为预测特征表
- 如何估算缺失数据以进行时间序列预测
- 如何检测和消除时间序列预测中的异常值
- 如何通过滞后和窗口从过去的数据创建特征
- 如何构建捕捉季节性和趋势的功能
- 如何对时间序列预测的分类变量进行编码
- 如何突出特殊事件,例如假期或广告露营
- 如何预测未来的多个步骤
要求
- Python 安装
- Jupyter笔记本安装
- Python 编码技能
- 使用 Numpy、Pandas 和 Matplotlib 的一些经验
- 熟悉 Scikit-Learn
- 熟悉机器学习算法
描述
欢迎来到时间序列预测的特征工程,这是一门关于预测特征工程的综合课程。在本课程中,您将学习如何从时间序列数据中创建和提取特征以用于预测。
在本课程中,您将学习多种特征工程方法,从时间序列数据中提取和创建特征,这些特征适合使用现成的回归模型(如线性回归、随机森林和梯度增强机)进行预测。
具体来说,您将学到:
- 如何创建滞后特征;
- 如何创建窗口功能;
- 如何创建捕捉季节性和趋势的功能;
- 如何分解时间序列;
- 如何从日期和时间中提取特征;
- 在创建预测特征时如何避免数据泄漏和前瞻偏差;
预测是根据过去的数据对未来进行预测的过程。在最传统的场景中,我们有一个时间序列并希望预测其未来值。创建预测功能存在一些挑战:
- 我们需要将时间序列数据转换为具有精心设计的特征集和目标变量的表格数据;
- 在创建预测功能时,我们需要格外小心,避免因前瞻偏差而导致数据泄漏;
- 正如预期的那样,时间序列数据随着时间的推移而变化;我们在构建预测功能时需要考虑到这一点;
- 预测未来多个时间步长的目标值需要我们仔细思考如何将我们的特征从过去推断到未来。
在本课程中,您将学习如何从时间序列创建特征,以便训练现成的机器学习模型来预测时间序列的未来值。您将首先学习分析时间序列并确定可用于创建预测特征的属性。例如,您将学习如何使用各种算法自动识别和提取趋势和季节性,以及如何转换时间序列以使其更容易分解和预测。我们展示了如何使用互相关、自相关和部分自相关图等工具来创建合适的滞后特征。您将发现创建对趋势、变化点、季节性等进行建模的功能的提示、技巧和窍门!
我们将引导您逐步完成引人入胜的视频教程,并教您为时间序列预测创建有意义的特征所需了解的一切。在这个综合课程中,我们将介绍时间序列预测的工程特征的最常见方法。我们讨论它们的逻辑、Python 实现、优点和缺点以及使用这些方法时要记住的事情。
在课程结束时,您将能够决定哪些技术最适合您的数据集和预测挑战。您将能够应用 Python 中的所有技术并探索如何改进您的预测。
想知道更多?继续阅读…
该课程提供 30 天退款保证,因此您今天就可以毫无风险地注册。
你还在等什么?立即注册并加入世界上第二个最全面的时间序列预测特征工程课程。
本课程适合谁:
- 想要开始预处理数据集以进行时间序列预测的学生
- 想要学习时间序列预测的特征工程技术的数据科学家
- 想要提高特征工程的编码技能和编程实践的数据科学家
- 想要学习时间序列的其他特征工程技术的数据科学家