机器学习笔记 - 时间序列的混合模型

一、组成和残差 

        线性回归擅长推断趋势，但无法学习交互作用。 XGBoost 擅长学习交互，但无法推断趋势。 在本课中，我们将学习如何创建“混合”预测器，将互补的学习算法结合起来，让一个的优势弥补另一个的弱点。

        为了设计出有效的混合模型，我们需要更好地理解时间序列是如何构建的。 到目前为止，我们已经研究了三种依赖模式：趋势、季节和周期。许多时间序列可以通过仅由这三个组件加上一些本质上不可预测的完全随机误差的加法模型来密切描述：

series = trend + seasons + cycles + error

        这个模型中的每一项我们都可以称为时间序列的一个组成部分。

        模型的残差是模型训练的目标与模型做出的预测之间的差异——换句话说，就是实际曲线和拟合曲线之间的差异。根据特征绘制残差，你会得到目标的“剩余”部分，或者模型未能从该特征中了解目标的内容。

         上图左侧是隧道交通系列的一部分和第 3 课中的趋势-季节性曲线。减去拟合曲线后，残差在右侧。 残差包含趋势季节性模型没有学习的隧道交通中的所有内容。

        我们可以将学习时间序列的组成部分想象为一个迭代过程：首先学习趋势并将其从序列中减去&#