互联网时代最大的特点在于:消费者主导，追求个性化，时尚化、效益和效率化的理性消费者比过去拥有更大的选择自由。互联网只是个工具，我们需要的是颠覆式地改变思维模式，重新审视和重构现有的商业模式。
《从零开始学 Python》（第二版） 丛书 569页，供11章
Java核心技术 卷II 高级特性 第9版（中文）858页
智能建筑技术是一门多学科技术的结合,牵涉到建筑环境、设备和控制等多方面内容,其控制技术又是计算机技术、通信技术、自动控制技术的综合, 是一门较新的学科。智能建筑为人们提供了高效工作环境和理想舒适的生活环境,因此, 近年来发展很快。
LSTM，善于建模时间序列的非线性动态模式；能够捕捉长期依赖信息。但是训练复杂，对特征解释力较弱。 而随机森林，具有强大的特征选择能力，稳定性高，训练速度快，抗噪性强。但是不擅长捕捉时间序列中的序列依赖性 将二者结合起来的混合模型优势： LSTM用于建模时序依赖性，提取深层次的时间动态特征； RF用于建模非线性关系与残差校正，增强模型稳定性与泛化能力； 结构更灵活，预测更准确，解释性更强。
今儿和大家分别简单的聊聊：线性回归、多项式回归、贝叶斯回归~ 很多朋友不太理解，就是回归，为什么会扯到各种各样的回归？！ 咱们今儿来聊聊，希望可以帮助到你~ 线性回归是最基础、最常用的回归方法，能帮助我们快速理解自变量和因变量之间的线性关系，也是很多复杂模型的起点。 多项式回归，在此基础上增加了非线性表达能力，适合处理趋势更复杂但又不想上复杂模型的场景。 贝叶斯回归的厉害之处在于它把不确定性考虑进来了，不仅给预测结果，还能告诉你有多“靠谱”。
今儿和大家聊一个非常常用，且重要的分类模型算法：XGBoost ！ 要做分类问题（输出类别），XGBoost 是一种把很多“弱”决策树串起来，变成一个强预测器的算法。 为什么叫 Boost（提升）？每一棵树都不是独立的随机森林那样“并行平均”，而是按顺序逐棵建立：每次新增的树想要纠正前面所有树犯的错误（就像下一位选手在接力里跑得更好来补偿前面的差距）。
今儿咱们聊聊关于时间序列的一个融合案例：基于ARIMA+LSTM+Prophet融合的多尺度时间序列预测。 在实际场景中，一个模型很难吃下所有频段的信号，涉及到趋势、季节性、短期突变、异动噪声、制度切换等等。 于是就有了多尺度融合的路线：把不同频段的信号拆开来，再用最擅长处理该频段的模型去拟合，最后把各模型的预测组合起来。
本文咱们要分享的是：ARIMA–Prophet–LightGBM的趋势分解与残差学习混合预测模型。
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
