关注我的公众号YueTan进行交流探讨一、前言对未来的预测能够帮助企业更好的把握当下。因此，时间序列任务广泛应用于交通、气象、金融、零售等行业。本文介绍如何使用TensorFlow进行深度学习的时间序列预测，主要依托我即将发布的一个时序包东流TFTS(TensorFlowTimeSeries)。TFTS是一个时间序列的开源工具，采用TensorFlow框架，支持多种深度学习SOTA模型。中文名“东流”，源自辛弃疾“青山遮不住，毕竟东流去。江晚正愁余，山深闻鹧鸪”。1.1开源地址https://github.com/LongxingTan/Time-series-prediction1.2取得成

目录前言一、移动平均模型(MA)模型原理自回归 移动平均模型自相关系数

将数据集保存在矩阵data中在APP页面找到NeuralNetFitting3.输入与目标均为data，Samplesare选择Matrixrows4.训练集和验证集的百分比可以自定义，一般默认三种算法，各有优劣，一般默认第一个，点击Train进行训练4.点击Performance5.以此图为例，13.1572代表误差，误差越低越好，可以通过retrain和改变算法来降低误差6.点击regression7.三张图分别代表训练集验证集和综合数据的拟合程度，越接近1效果越好8.点击next三次9.点击saveresults将训练网络保存到matlab工作区10.若在工作区看到以下三个变量代表保存成

目录一、导入数据 二、数据查看可视化缺失值占比 绘制所有变量的柱形图，查看数据查看各特征与目标变量price的相关性三、数据处理 处理异常值查看seller,offerType的取值查看特征notRepairedDamage  异常值截断 填充缺失值  删除取值无变化的特征查看目标变量price对price做对数log变换  四、特征构造构造新特征：计算某品牌的销售统计量   构造新特征：使用时间对连续型特征数据进行分桶 对数值型特征做归一化  匿名特征交叉平均数编码 五、特征筛选 计算各列于交易价格的相关性 对类别特征进行OneEncoder 切分特征和标签 用lightgbm筛选特征  一

目录简介数学模型分析步骤对数据进行准指数规律检验对预测效果进行评价GM(1,1)模型拓展MATLAB源码简介在这里，灰色的意思是系统的信息只有一部分，不完整，与之类似概念还有白色和黑色。灰色预测模型是通过少量的、不完全的信息，建立数学模型做出预测的一种预测方法。其预测对象要求数据具有准指数规律，并且数据非负。灰色预测模型可用GM(m,n)表示，m代表阶数，n代表预测对象的个数。灰色预测模型适用于年份数据预测，且期数较少的情况。如果期数较多或者包含季度数据，采用时间序列分析进行预测。数学模型 记原数据序列为对原数据序列累加得到一次累计序列，1-AGO，记为得到紧邻均值生成序列称方程为GM(1,1

泰坦尼克号沉船数据之美——起于悲剧，止于浪漫前言：泰坦尼克号，不只是卡梅隆导演的经典电影，它是一个真实存在的悲剧，也是电影的故事背景与题材。作为一个IT人，分析事实还得看数据，了解到泰坦尼克号沉船幸存者多为老人、小孩和妇女，而牺牲者多为年轻的男士，这样的历史数据，让我感受到了人性之美与善，七夕，我们一起来分析一下这一悲壮与浪漫的数据吧～本文内容包含了泰坦尼克号沉船数据分析与可视化、数据建模与分类预测。现有titanic.csv数据集。该数据集记录了泰坦尼克轮船上的乘客信息。使用scikit-learn对该数据集进行分析，探究生存率和哪些因素有关(性别,年龄,是否有伴侣,票价,舱位等级,包间,出

我正在尝试使用波士顿住房数据集来学习scikit-learn和机器学习。#Isplittedtheinitialdataset('housing_X'and'housing_y')fromsklearn.cross_validationimporttrain_test_splitX_train,X_test,y_train,y_test=train_test_split(housing_X,housing_y,test_size=0.25,random_state=33)#Iscaledthosetwodatasetsfromsklearn.preprocessingimportSta

我正在尝试使用波士顿住房数据集来学习scikit-learn和机器学习。#Isplittedtheinitialdataset('housing_X'and'housing_y')fromsklearn.cross_validationimporttrain_test_splitX_train,X_test,y_train,y_test=train_test_split(housing_X,housing_y,test_size=0.25,random_state=33)#Iscaledthosetwodatasetsfromsklearn.preprocessingimportSta

我在Python上使用sklearn进行一些聚类。我已经训练了200,000条数据，下面的代码运行良好。corpus=open("token_from_xml.txt")vectorizer=CountVectorizer(decode_error="replace")transformer=TfidfTransformer()tfidf=transformer.fit_transform(vectorizer.fit_transform(corpus))km=KMeans(30)kmresult=km.fit(tfidf).predict(tfidf)但是当我有新的测试内容时，我想将

我在Python上使用sklearn进行一些聚类。我已经训练了200,000条数据，下面的代码运行良好。corpus=open("token_from_xml.txt")vectorizer=CountVectorizer(decode_error="replace")transformer=TfidfTransformer()tfidf=transformer.fit_transform(vectorizer.fit_transform(corpus))km=KMeans(30)kmresult=km.fit(tfidf).predict(tfidf)但是当我有新的测试内容时，我想将