总结

Python 中的时间序列机器学习

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

时间序列与机器学习

• 时间序列与机器学习的广泛应用
• 始终先可视化数据
• scikit-learn API 规范化了该流程

特征提取与分类

• 用于时间序列分类的汇总统计
• 将多特征合并为单一输入矩阵
• 时间序列特征提取

模型拟合与数据质量改进

• 回归用的时间序列特征
• 生成随时间变化的预测
• 清洗并改进时间序列数据

模型性能验证与评估

• 时间序列交叉验证（不要打乱数据！）
• 时间序列平稳性
• 评估模型系数与分数的稳定性

时间序列高级概念

• 高级窗口函数
• 信号处理与滤波细节
• 频谱分析

高级机器学习

• 高级时间序列特征提取（如 tsfresh）
• 更复杂的回归与分类模型架构
• 面向生产的时间序列分析流水线

练习途径

• 有大量机会可练习时间序列技能。
• Kaggle 上有多项时间序列预测挑战。
• Quantopian 也有助于学习并使用他人构建的预测模型。

Passons à la pratique !

Python 中的时间序列机器学习