鍵.png)
使用LSTM模型預(yù)測多特征變量的時(shí)間序列
【AI驅(qū)動(dòng)】
數(shù)據(jù)集為印度氣候天氣預(yù)報(bào)數(shù)據(jù)，該數(shù)據(jù)集提供2013年1月1日至2017年4月24日在印度德里市的數(shù)據(jù)，存在 4 個(gè)參數(shù)分別是meantemp, humidity, wind_speed, meanpressure，其中meantemp為待預(yù)...
2025/01/07
基于LSTM模型的多輸入多輸出單步時(shí)間序列預(yù)測
【AI驅(qū)動(dòng)】
數(shù)據(jù)集為某天氣預(yù)報(bào)數(shù)據(jù)，該數(shù)據(jù)集時(shí)間維度為2013年1月1日至2017年4月24日，存在 3 個(gè)特征分別是meantemp, humidity, meanpressure，接下來將以這三個(gè)特征為輸入、輸出，建立一個(gè)多輸入多輸出的LSTM模型...
2025/01/07
時(shí)間窗口劃分：時(shí)序預(yù)測模型的多種形式解析
【AI驅(qū)動(dòng)】
當(dāng)涉及時(shí)間序列數(shù)據(jù)的預(yù)測和分析時(shí)，時(shí)間窗口的劃分是一個(gè)至關(guān)重要的概念，時(shí)間窗口可以理解為我們?cè)跁r(shí)間序列數(shù)據(jù)中選取的一段時(shí)間范圍來預(yù)測下一個(gè)時(shí)間點(diǎn)或時(shí)間段，利用劃分的數(shù)據(jù)進(jìn)行訓(xùn)練預(yù)測模型，在時(shí)間序列預(yù)測中，我們通常面臨著不同類型的預(yù)測問題，例...
2025/01/07
時(shí)間序列預(yù)測：CNN-BiLSTM模型實(shí)踐
【AI驅(qū)動(dòng)】
BiLSTM是一種深度學(xué)習(xí)模型，它結(jié)合了兩個(gè)方向的長短期記憶網(wǎng)絡(luò)（LSTM），即正向和反向。它的優(yōu)勢(shì)主要體現(xiàn)在兩個(gè)方面： 雙向信息捕捉：BiLSTM能夠同時(shí)從過去和未來的數(shù)據(jù)中學(xué)習(xí)，因?yàn)樗袃蓚€(gè)方向的LSTM單元，一個(gè)用于正向序列，...
2025/01/07
探討EMD數(shù)據(jù)泄露問題的時(shí)序預(yù)測模型：EMD-CNN-LSTM實(shí)現(xiàn)與分析
【AI驅(qū)動(dòng)】
EMD-CNN-LSTM是一種結(jié)合了經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短期記憶網(wǎng)絡(luò)（LSTM）的模型，用于處理時(shí)序數(shù)據(jù)分析，能夠自適應(yīng)地提取時(shí)頻特征并建模序列依賴關(guān)系。 1. 前言 在進(jìn)行EMD-CNN-LSTM...
2025/01/07
梯度提升集成：LightGBM與XGBoost組合預(yù)測
【AI驅(qū)動(dòng)】
LightGBM和XGBoost是兩種高效的梯度提升決策樹算法，常用于回歸和分類任務(wù)，通過逐步優(yōu)化模型來提升預(yù)測精度，并支持并行計(jì)算以加速訓(xùn)練過程，我們的組合模型通過分別訓(xùn)練LightGBM和XGBoost模型，然后對(duì)它們的預(yù)測結(jié)果取平均值...
2025/01/07
SVM多分類分析：SHAP解釋各類別下各特征對(duì)模型的影響力
【AI驅(qū)動(dòng)】
背景 目前大多數(shù)模型解釋技術(shù)通常側(cè)重于分析整體模型的輸出如何受到輸入特征的影響，而不是針對(duì)每個(gè)類別來分析特征的貢獻(xiàn)。這主要體現(xiàn)在以下幾個(gè)方面： 整體模型解釋：常見的模型解釋方法，如全局特征重要性分析、部分依賴圖、特征貢獻(xiàn)等，通...
2025/01/07
灰狼優(yōu)化算法(GWO)：從理論到深度學(xué)習(xí)中的實(shí)踐應(yīng)用
【AI驅(qū)動(dòng)】
灰狼優(yōu)化算法（GWO）是一種模擬灰狼群體獵食行為的優(yōu)化算法，它主要通過模擬灰狼群體中的領(lǐng)袖狼（alpha）、跟隨狼（beta、delta）和普通狼（omega）的角色來實(shí)現(xiàn)尋優(yōu) 1. 灰狼優(yōu)化算法過程： 1.1 初始化 ...
2025/01/07
利用Pytorch框架構(gòu)建lstm時(shí)間序列預(yù)測模型
【AI驅(qū)動(dòng)】
PyTorch和TensorFlow各有優(yōu)勢(shì)，選擇哪個(gè)框架通常取決于具體的應(yīng)用場景和個(gè)人偏好，PyTorch因其簡潔性和動(dòng)態(tài)計(jì)算圖，更適合快速原型開發(fā)和學(xué)術(shù)研究，而TensorFlow憑借其豐富的功能和強(qiáng)大的生產(chǎn)部署能力，更適合工業(yè)界的大規(guī)...
2025/01/07
Pythorch框架構(gòu)建Attention-lstm時(shí)序模型
【AI驅(qū)動(dòng)】
Attention 是一種機(jī)制，在神經(jīng)網(wǎng)絡(luò)中處理序列數(shù)據(jù)時(shí)，使模型能夠“專注”于輸入序列中不同部分的重要性，它通過給每個(gè)輸入位置分配不同的權(quán)重，以便網(wǎng)絡(luò)可以在處理序列時(shí)關(guān)注更相關(guān)的部分，從而提高模型性能 Attention + LST...
2025/01/07
SHAP全解析：機(jī)器學(xué)習(xí)、深度學(xué)習(xí)模型解釋保姆級(jí)教程
【AI驅(qū)動(dòng)】
什么是SHAP解釋？ 在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域，模型解釋性是一個(gè)重要的課題，盡管復(fù)雜的模型如深度神經(jīng)網(wǎng)絡(luò)和集成模型（如XGBoost、LightGBM）在預(yù)測性能上表現(xiàn)優(yōu)異，但它們通常被視為“黑箱”，難以解釋其內(nèi)部決策過程，SHAP（...
2025/01/07
數(shù)據(jù)分布與變化：從理論到實(shí)踐指南
【AI驅(qū)動(dòng)】
什么是數(shù)據(jù)分布 數(shù)據(jù)分布指的是在給定數(shù)據(jù)集中，不同數(shù)值或取值出現(xiàn)的頻率或概率的分布模式，它描述了數(shù)據(jù)集中各個(gè)數(shù)值或取值的分布情況，包括集中趨勢(shì)（如均值、中位數(shù)、眾數(shù)）、數(shù)據(jù)的變異程度（如標(biāo)準(zhǔn)差、方差）以及數(shù)據(jù)點(diǎn)在整個(gè)數(shù)據(jù)范圍內(nèi)的分布情...
2025/01/07
ARIMA與Prophet的完美結(jié)合：AutoARIMAProphet時(shí)序模型
【AI驅(qū)動(dòng)】
AutoARIMAProphet模型 AutoARIMAProphet 是一種將兩種流行的時(shí)間序列預(yù)測模型 AutoARIMA 和 Prophet 結(jié)合起來的混合模型。它結(jié)合了 AutoARIMA 模型的自動(dòng)參數(shù)選擇功能和 Proph...
2025/01/07
決策樹和隨機(jī)森林的決策過程路徑可視化解讀
【AI驅(qū)動(dòng)】
什么是決策樹 基本結(jié)構(gòu)： 決策樹是一種樹狀模型，其中每個(gè)節(jié)點(diǎn)表示一個(gè)特征，每個(gè)分支表示該特征的一個(gè)可能值，而每個(gè)葉節(jié)點(diǎn)表示一個(gè)類標(biāo)簽（分類）或一個(gè)連續(xù)值（回歸） 單模型： 決策樹是一個(gè)單一的模型，它通過遞歸地對(duì)數(shù)據(jù)進(jìn)...
2025/01/07
綜合多種梯度提升模型：LightGBM、XGBoost、CatBoost與NGBoost的集成預(yù)測
【AI驅(qū)動(dòng)】
模型背景 LightGBM和XGBoost是兩種高效的梯度提升決策樹算法，常用于回歸和分類任務(wù)，通過逐步優(yōu)化模型來提升預(yù)測精度，并支持并行計(jì)算以加速訓(xùn)練過程CatBoost是一種高效的梯度提升算法，特別在處理類別特征時(shí)具有顯著優(yōu)勢(shì)，能...
2025/01/07
