模型选择技巧

asimm4

ARIMA 模型
ARIMA （自回归综合移动平均）模型是当前值和过去值（AR 部分）之间的线性回归模型，也是当前和过去预测误差（MA 部分）之间的线性回归模型。如果模型具有非零 I 部分，则对数据进行差分以使其平稳。基本 ARIMA 模型假设时间序列是平稳的，而平稳时间序列在长期内没有可预测的模式。长期预测准确度的下降可以从预测的置信区间增加中看出。对于训练 ARIMA 模型来说，拥有更多数据并不总是更好：大型数据集可能会使估计 ARIMA 模型的模型参数变得耗时，并夸大真实过程和模型过程之间的差异。

机器学习模型
机器学习模型使用滞后值作为预测列，并忽略目标列和预测列之间的时间结构。机器学习模型还可以识别数据中的长期模式和转折点，前提是训练数据中提供了足够 美国 whatsapp 号码数据库 的数据来建立这些模式。一般来说，数据显示的不规则性越多，训练模型所需的数据就越多。当你应用机器学习模型时，建议对残差进行建模。否则，你可能会建立一个比传统分解模型更复杂的模型，但实际上并没有在此基础上学习任何新东西！


首先，有些现象很难预测，在这种情况下，采用更简单的模型往往是有意义的，而不需要投入资源去对无法准确预测的现象进行建模。