深度学习

2020 时序分析(1)

2020-05-30  本文已影响0人  zidea
machine_learning.jpg

时序预测

我们用机器学习模型通过历史数据来学习拟合,来对未来进行预测

时序应用

考虑因素

颗粒度

预测范围

y_{t:t+T} = f(x_{t-1},x_{t-2},\dots,x_1,temperature_t,dow_t,month_t)

传统时序模型

名称 公式
均方误差(MSE) \frac{1}{n} \sum_{i=1}^n(y_i - \hat{y}_i)^2
绝对值误差(MAE) \frac{1}{n} \sum_{i=1}^n \mid y_i - \hat{y}_i \mid
百分比误差MAPE \frac{1}{n} \sum_{i=1}^n \mid \frac{y_i - \hat{y}_i}{y_i} \mid
对称百分比误差SMAPE \frac{1}{n} \sum_{i=1}^n \frac{ \mid y_i - \hat{y}_i \mid}{ \mid y_i \mid + \mid \hat{y}_i \mid}
分位数误差Quantile Loss

\frac{1}{n} \sum_{i=1}^n \begin{cases} \alpha \mid y_i = \hat{y}_i \mid & y_i > \hat{y_i} \\ (1 -\alpha) \mid y_i = \hat{y}_i \mid & y_i <> \hat{y_i} \\ \end{cases}

上一篇 下一篇

猜你喜欢

热点阅读