国产极品粉嫩福利姬萌白酱_伊人WWW22综合色_久久精品a一国产成人免费网站_法国啄木乌AV片在线播放

Python時序模型

【課程目標】
本課程為中級課程《大數據建模》的第二篇：時序篇
本課程主要講解如何利用Python進行時間序列的數據建模，幫助學員構建系統全面的預測建模思維，提升學員的數據建模綜合能力。
本系列課程從實際的業務需求出發，結合行業的典型應用特點，圍繞實際的商業問題，對數據預測建模的過程進行了全面的介紹（從模型選擇，到屬性選擇，再到訓練模型，評估模型以及優化模型），通過大量的操作演練，幫助學員掌握數據建模的思路、方法、技巧，以提升學員的數據建模的能力，支撐運營決策的目的。
通過本課程的學習，達到如下目的：
1、掌握數據建模的標準流程。
2、掌握時序預測建模的基本思想，理解因素分解的思路。
3、掌握常用的趨勢擬合模型。
4、掌握常用的季節預測模型，能夠進行季節周期性的時序建模。
5、深刻理念平穩序列的概念，以及平穩性檢驗。
6、掌握平穩序列的模型識別，以及模型定階。
7、掌握時序預測模型的評估，以及優化。
8、掌握(wo)高(gao)級時序模(mo)型的訓練與建(jian)模(mo)。

【授課對象】
業務支撐(cheng)部(bu)(bu)、運營分析部(bu)(bu)、數據(ju)分析部(bu)(bu)、IT系統(tong)部(bu)(bu)、大數據(ju)系統(tong)開發(fa)部(bu)(bu)等相關技術人(ren)員。

【課程大綱】
一、預測建模基礎
1、數據建模六步法
－選擇模型：基于業務選擇恰當的數據模型
－屬性篩選：選擇對目標變量有顯著影響的屬性來建模
－訓練模型：采用合適的算法，尋找到最合適的模型參數
－評估模型：進行評估模型的質量，判斷模型是否可用
－優化模型：如果評估結果不理想，則需要對模型進行優化
－應用模型：如果評估結果滿足要求，則可應用模型于業務場景
2、數據挖掘常用的模型
－數值預測模型：回歸預測、時序預測等
－分類預測模型：邏輯回歸、決策樹、神經網絡、支持向量機等
－市場細分：聚類、RFM、PCA等
－產品推薦：關聯分析、協同過濾等
－產品優化：回歸、隨機效用等
－產品定價：定價策略/最優定價等
3、屬性篩選/特征選擇/變量降維
－基于變量本身特征
－基于相關性判斷
－因子合并（PCA等）
－IV值篩選（評分卡使用）
－基于信息增益判斷（決策樹使用）
4、訓練模型及實現算法
－模型原理
－算法實現
5、評估模型
－評估指標
－評估方法
－殘差評估
6、模型優化
－優化模型：選擇新模型/修改模型
－優化數據：新增顯著自變量
－優化公式：采用新的計算公式
7、模型應用
－模型解讀
－模型保存/加載
－模型應用/預測
8、好模型是優化出來的
二、時序模型評估
1、評估指標
－判定系數：和
－平均誤差：MAE
－根均方差：RMSE
－平均誤差率：MAPE
2、信息準則指標
－赤池信息準則（Akaike Information Criterion，AIC）
－貝葉斯信息準則（Bayesian Information Criterion，BIC）
－HQIC（Hannan-Quinn Information Criterion，HQIC）
3、評估方法
－滾動交叉驗證法（cross validation）
4、其它評估
－殘差評估：白噪聲評估
三、趨勢預測模型
問題：無法找到影響因素，無法回歸建模，怎么辦？隨著業務受季節性因素影響，未來的銷量如何預測？
1、時間序列簡介
2、時序預測的原理及應用場景
3、常見時序預測模型
－趨勢類預測模型
－季節類預測模型
－平穩時序預測模型
－其它高級模型
4、移動平均
－應用場景及原理
－理解滑動窗口
－移動平均種類
－一次移動平均
－二次移動平均
－加權移動平均
－移動平均比率法
－移動平均關鍵問題
－*期數N的選擇原則
－最優權重系數的選取原則
演練：銷售額預測模型及評估
演練：快銷產品季節銷量預測及評估
5、指數平滑
－應用場景及原理
－最優平滑系數的選取原則
－指數平滑種類
－一次指數平滑
－二次指數平滑（Brown線性）
－三次指數平滑
演練：煤炭產量預測
6、Holt趨勢模型（亦稱二次指數平滑）
－Holt線性模型
－Holt指數模型
－阻尼線性趨勢
－阻尼指數趨勢
四、季節預測模型
1、因素分解思想
2、時間序列的四個構成要素
－長期趨勢Trend
－季節變動Seasonality
－循環變動Circle
－不規則變動Irregular
案例：時間序列的季節分解
3、Holt-Winters季節模型
－三個組成部分
－三個平滑因子
4、HW加法模型
－適用場景
－計算公式
－超參優化
－模型解讀
5、HW乘法模型
6、HW指數模型
案例：航空飛行里程預測模型
案例：汽車銷量預測模型
案例：沃爾瑪收益預測模型
7、基于回歸的季節模型
－相加模型
－相乘模型
－模型訓練及優化
－模型解讀
五、平穩序列模型
1、平穩序列預測模型簡介
2、序列平穩性概念
－恒定的均值
－恒定的標準差
－與位置無關的協方差
3、序列平穩性檢驗
－折線圖法
－ACF/PACF圖
－ADF檢測法
4、特殊平穩序列：白噪聲
案例：序列平穩性檢驗
案例：白噪聲檢驗
5、平穩序列常用擬合模型
－AR(p)自回歸模型
－MA(q)移動平均模型
－ARMA(p,q)自回歸移動平均模型
6、模型識別
－ACF圖
－PACF圖
7、模型定階
－圖形定階（ACF/PACF）
－最小信息準則定階
8、非平穩序列處理
－平滑法
－變量變換
－差分運算：k步差分與d階差分
9、ARIMA(p,d,q)建模流程
案例：上海證券交易所收盤價建模
10、SARIMA(p,d,q)(P,D,Q,S)模型
－圖形確定階數
－遍歷確定階數
11、時序模型總結
六、模型質量評估篇
1、回歸模型的評估指標
－三個基本概念:SSR/SST/SSE
－兩個判定系數:R^2,調整R^2
－三個誤差指標:MAE/MAPE/RMSE
－平均*誤差MAE
－均方差MSE/RMSE
－平均誤差率MAPE
2、模型的評估方法
－原始評估法
－留出法（Hold-Out）
－交叉驗證法（k-fold cross validation）
－自助采樣法（Bootstrapping）
3、時間序列的滾動交叉驗證
七、高級時序模型
1、Prophet模型介紹
－趨勢擬合
－季節性預測
－節假日和特殊事件的影響
－離群值分析
案例：銷售額時序預測模型
2、LSTM模型簡介
－數據集構造
－形狀構造
－滾動預測
八、廣告點擊量時序建模

結束：課程總結與問題答疑。

Python時序模型