from fbprophet.diagnostics import performance_metrics df_p = performance_metrics(df_cv) df_p.head()   horizon mse rmse mae mape coverage 3297 37 days 0.481970 0.694241 0.502930 0.058371 0.673367 35 37 days 0.480991 0.693535 0.502007 0.058262 0.675879

原文地址 ?传送门 对于回归预测结果,通常会有平均绝对误差.平均绝对百分比误差.均方误差等多个指标进行评价.这里,我们先介绍最常用的3个: 平均绝对误差(MAE) 就是绝对误差的平均值,它的计算公式如下: M A E ( y , y ^ ) = 1 n ( ∑ i = 1 n ∣ y − y ^ ∣ ) MAE(y,\hat{y}) = \frac{1}{n}(\sum_{i = 1}^{n}\left | y - \hat{y} \right |) MAE(y,y^​)=n1​(i=1∑n​∣

1 总体介绍 在以下主题中,我们将回顾有助于分析时间序列数据的技术,即遵循非随机顺序的测量序列.与在大多数其他统计数据的上下文中讨论的随机观测样本的分析不同,时间序列的分析基于数据文件中的连续值表示以等间隔时间间隔进行的连续测量的假设. 本节描述的方法的详细讨论可以在Anderson(1976),Box and Jenkins(1976),Kendall(1984),Kendall and Ord(1990),Montgomery,Johnson和Gardiner(1990),Pankratz(

深度学习笔记 目标函数的总结与整理   目标函数,或称损失函数,是网络中的性能函数,也是编译一个模型必须的两个参数之一.由于损失函数种类众多,下面以keras官网手册的为例. 在官方keras.io里面,有如下资料: mean_squared_error或mse mean_absolute_error或mae mean_absolute_percentage_error或mape mean_squared_logarithmic_error或msle squared_hinge hinge bi

目录 时间序列分析工具箱-- h2o + timetk h2o 的用途 加载包 安装 h2o 加载包 数据 教程:h2o + timetk,时间序列机器学习 时间序列机器学习 最终的胜利者是... 翻译自<Demo Week: Time Series Machine Learning with h2o and timetk> 原文链接:https://www.business-science.io/code-tools/2017/10/28/demo_week_h2o.html 文字和代码略有

本章開始学习<Forecasting: principles and practice> 1 getting started 1.1 事件的可预言性 一个时间能不能被预言主要取决于以下三点 1. 对事件的影响因素的了解程度.比方彩票号码.没有内在的影响因素不能被预測 2. 可用数据量的多少,数据量太少没法预測 3. 预測结果本身的影响,比方预測汇率,可能大家知道预測的会长,那么人们就会採取对应的措施使预測结果不准. 1.2 经常使用预測模型 解释性模型,如其模型内包括其影响因素,通过影响因素来

说明 本文的内容来自Tao Hong博士的Energy Forecasting: Past, Present and Future一文的翻译和整理. 引入 能源预測包括了电力行业中有关预測的广泛的内容,比方短期负荷预測.长期负荷预測.局部负荷预測.电价预測.需求响应预測还有可再生能源发电预測等. 因为电力存储的限制和社会对于电力的需求造成了几个能源预測的有趣性质,比方复杂的季节性模式.24/7的电网数据收集.对精确度的需求等. 高级的能源预測依赖于严格的測试数据集.对于商业需求的理解,从统计学.

前情需知 指数预测模型 指数模型是用来预测时序未来值的最常用模型.这类模型相对比较简单,但是实践证明它们的短期预测能力较好.不同指数模型建模时选用的因子可能不同.比如 单指数模型(simple/single exponential model)拟合的是只有常数水平项和时间点i处随机项的时间序列,这时认为时间序列不存在趋势项和季节效应: 双指数模型(double exponential model:也叫Holt指数平滑,Holt exponential smoothing)拟合的是有水平项和趋势项

一.损失函数的使用 损失函数[也称目标函数或优化评分函数]是编译模型时所需的两个参数之一. model.compile(loss='mean_squared_error', optimizer='sgd') 或 from keras import losses model.compile(loss=losses.mean_squared_error, optimizer='sgd') 可以传递一个现有的损失函数名或者一个TensorFlow/Theano符号函数.该符号函数为每个数据点返回一个标

2.1 案例背景 在工程应用中经常会遇到一些复杂的非线性系统,这些系统状态方程复杂,难以用数学方法准确建模.在这种情况下,可以建立BP神经网络表达这些非线性系统.该方法把未知系统看成是一个黑箱,首先用系统输入输出数据训练BP神经网络,使网络能够表达该未知函数,然后用训练好的BP神经网络预测系统输出. 本章拟合的非线性函数为\[y = {x_1}^2 + {x_2}^2\]该函数的图形如下图所示. t=-5:0.1:5; [x1,x2] =meshgrid(t); y=x1.^2+x2.^2; s

一.作业要求 自选时间序列完成时间序列的建模过程,要求序列的长度>=100. 报告要求以下几部分内容: 数据的描述:数据来源.期间.数据的定义.数据长度. 作时间序列图并进行简单评价. 进行时间序列的平稳性检验,得出结论,不平稳时间序列要进行转化,最终平稳. 进行自相关.偏自相关图,得出模型的阶数. 对时间序列模型进行拟合,得出参数的估计值. 检验模型的残差项,判断模型是否合格,给出模型最终的估计结果. 应用建立的时间序列模型进行预测. 二.数据描述 数据来源:国家统计局——统计数据——月度数据

写在前面: LightGBM 用了很久了,但是一直没有对其进行总结,本文从 LightGBM 的使用.原理及参数调优三个方面进行简要梳理. 目录 开箱即用 quickstart sklearn 接口 增量学习 原理 回顾Xgboost LightGBM 直方图算法 Leaf-wise 生长 类别型特征支持 并行支持 不均衡数据处理 参数调优 参数说明 核心参数 超参 调优 自动调参 特征重要性 references 开箱即用 quickstart 使用 LightGBM 官方接口,核心步骤 定义

前言 AI 人工智能包含了机器学习与深度学习,在前几篇文章曾经介绍过机器学习的基础知识,包括了监督学习和无监督学习,有兴趣的朋友可以阅读< Python 机器学习实战 >.而深度学习开始只是机器学习的一分支领域,它更强调从连续的层中进行学习,这种层级结构中的每一层代表不同程序的抽象,层级越高,抽象程度越大.这些层主要通过神经网络的模型学习得到的,最大的模型会有上百层之多.而最简单的神经网络分为输入层,中间层(中间层往往会包含多个隐藏层),输出层.下面几篇文章将分别从前馈神经网络 FNN.卷积神

时序分析会用到的函数 函数 程序包 用途 ts() stats 生成时序对象 plot() graphics 画出时间序列的折线图 start() stats 返回时间序列的开始时间 end() stats 返回时间序列的结束时间 frequency() stats 返回时间序列中时间点的个数 window() stats 对时序对象取子集 ma() forecast 拟合一个简单的移动平均模型 stl() stats 用LOESS光滑将时序分解为季节项.趋势项和随机项 monthplot()

BP神经网络介绍 神经网络是机器学习中一种常见的数学模型,通过构建类似于大脑神经突触联接的结构,来进行信息处理.在应用神经网络的过程中,处理信息的单元一般分为三类:输入单元.输出单元和隐含单元. 顾名思义:输入单元接受外部给的信号与数据:输出单元实现系统处理结果的输出:隐含单元处在输入和输出单元之间,从网络系统外部是无法观测到隐含单元的结构的.除了上述三个处理信息的单元之外,神经元间的连接强度大小由权值等参数来决定. 图为BP神经网络结构:(图片均为截图来的笔记,蒟蒻手动狗头) 单个神经元的工作

来自http://www.aichengxu.com/view/2426102 摘要 目标跟踪是计算机视觉大量应用中的重要组成部分之一.近年来,尽管在分享源码和数据集方面的努力已经取得了许多进展,开发一套库和标准用于评估当前最先进的跟踪算法仍然是极其重要的.在简单回顾近年来在线目标跟踪的研究进展后,我们以多种评价标准进行了大量的实验,用于研究这些算法的性能.为了便于性能评估和分析,测试图片序列分别被标注了不同的特性.通过定量分析结果,我们得出了实现鲁棒性跟踪的有效方法,并给出了目标跟踪领域潜在的

使用Keras中文文档学习 基本概念 Keras的核心数据结构是模型,也就是一种组织网络层的方式,最主要的是序贯模型(Sequential).创建好一个模型后就可以用add()向里面添加层.模型搭建完毕后需要使用complie()来编译模型,之后就可以开始训练和预测了(类似于sklearn). Sequential其实是模型的一种特殊情况,单输入单输出,层与层之间只有相邻关系.而通用的模型被称为函数式模型(function model API),支持多输入多输出,层与层之间可以任意相连. Ker

Sutrisno E, Oh H, Vasan A S S, et al. Estimation of remaining useful life of ball bearings using data driven methodologies[C]// Prognostics and Health Management. IEEE, 2012:1-7. IEEE 2012 PHM数据挑战赛比赛的目标是在实验负荷条件下提供滚珠轴承剩余使用寿命的最佳估计.实验数据集由FEMTO-ST研究所提供.数

0. 摘要 EMVS目的:从已知轨迹的event相机,估计半稠密的3D结构 传统的MVS算法目的:从已知视点的图片集,去估计场景的稠密3D结构. EMVS2个固有属性: (1)   当传感器发生相对运动时,响应场景的边(提供场景的结构信息) (2)  传感器运动时,进行连续时间的测量 1. 介绍 只在场景发生亮度变化时,产生event,输出是一系列毫秒分辨率的异步event流 当然还有很多优点比如:低功耗,高动态范围(130dB),没有运动模糊,毫秒级的延时,kilobates的低速数据率. 适

涉及书中内容:特征工程&&模型评估 不同的特征如何进行特征工程? 特征是原始数据作为输入,特征工程的结果,作为输入供算法和模型使用. 对于数值型特征,为消除特征间的量纲影响,应对特征进行归一化处理,使得不同指标之间具有可比性.常用归一化方法:线性函数归一化(Max-min Scaling).零均值归一化.在实际应用中,通过梯度下降求解的模型通常是需要归一化的,但对于决策树,归一化并不改变样本在某个特征上的信息增益,因此,对于决策树模型,特征归一化与否并不影响结果. 对于类别型特征,除决策树