时间序列预测中的训练机器学习模型
我需要用scikit训练一个模型--学会预测房间里人少的可能的时间。
下面是我的数据集的样子：
Time PeopleCount
---------------------------------------------
2019-12-29 12:40:10 50
2019-12-29 12:42:10 30
2019-12-29 12:44:10 10
2019-12-29 12:46:10 10
2019-12-29 12:48:10 80
and so on...这些数据将提供30天。
一旦模型被训练，我将查询模型，以得到可能的时间，在上午10点到晚上8点之间房间里会有更少的人。我希望机器学习模型能够以30分钟的准确度来响应。“下午3时至3时30分”
我可以用什么算法来解决这个问题，以及如何实现这个目标？或者，除了本工具包学习之外，还有其他Python库可以用于此目的吗？
我刚开始机器学习，很抱歉有个幼稚的问题。
回答 2
Stack Overflow用户
发布于 2020-01-28 09:32:23
首先，时间序列预测是建立在现值或多或少取决于过去的理论基础之上的。例如，在2019年到12:29 12:48:10的人口中，有80人必须对12:46:10、12:44:20或以前的人口数产生强烈的影响，并与过去的数值相关联。如果没有，则最好使用其他算法进行预测。
scikit软件包中包含了各种模块作为机器学习算法，其中大部分是专门针对分类算法的。我认为，如果您的日期没有被确定为时间序列的类型，那么分类算法肯定能满足您的需求。实际上，scikit也有一些回归模块，尽管我认为这似乎不适合时间序列数据的预测。
对于时间序列数据的预测，RNN或LSTM算法(深度学习)已经得到了广泛的应用，但scikit没有给出它的内建算法。因此，您最好学习Tensorflow或Pytorch框架，它们是使您能够构建RNN或LSTM模型的常用工具。
Stack Overflow用户
发布于 2020-01-21 15:21:24
SciKitLearn模型不识别时间戳，因此您必须将时间戳列分解为多个特性，即。如果你需要30分钟的精确性，那么你将不得不从PeopleCount列中聚合数据，即。记录每隔30分钟内的平均人数、最少人数或最大人数.这可能是一个好主意，也创建滞后的功能，即。在以前的时隙里，甚至在2，3或n个时隙里，人们算什么。
一旦你准备好了你的时间特征和标签(相应的人数)，你就可以开始用标准的方式训练你的模型了：
- 将您的数据分成训练集和验证集，
- 训练您想要尝试并比较结果的每个模型。
任何回归者都应该适合这一任务。岭，拉索，DecisionTreeRegressor，SVR等。但是，如果你需要从给定的范围中得到最佳的时隙，你将需要对范围内的每一个时隙进行预测，并选择一个符合标准的时隙，尽管在某些情况下，最小的预测值并不比你所比较的值小。
如果你没有得到满意的结果与回归，即。每当均方误差或中位平方误差过高时，您都可以提出一个分类案例，即。而不是训练一个回归者来预测人数，你可以训练一个分类器来预测计数是否大于50。
解决这个问题有很多种方法。一旦尝试不同的模型并检查结果，您将找到优化的方法，参数，工程师的特点，前处理输入等。
https://stackoverflow.com/questions/59843700
复制相似问题
腾讯云开发者
