时间序列-异常检测(Anomaly Detection)(三):机器学习方法【XGBoost、SVM、随机森林】
2023-09-27 14:20:37 时间
对于机器学习方法,xgboost,随机森林及SVM这些都是可以用的,也没有说哪个模型好用,需要看具体的场景及实验,总之就是看效果说话。那么,用数据挖掘的方法关键在于特征工程,跟其他挖掘任务不同的是,时间序列的特征工程会使用滑动窗口,即计算滑动窗口内的数据指标,如最小值,最大值,均值,方差等来作为新的特征。
对于深度学习方法,循环神经网络RNN用的最多也适合解决这类问题,但是,卷积神经网络CNN,及新出的空间卷积网络TCN都是可以尝试的。
参考资料:
关于时间序列预测的一些总结
相关文章
- 机器学习笔记一-----------------Prophet(时间序列模型)的安装及简单例程
- 【机器学习】ICA 原理以及相关概率论,信息论知识简介
- Andrew Ng机器学习课程14(补)
- 机器学习总结一
- 机器学习-有监督学习-集成学习方法(一):集成(Ensemble)学习方法综述【Bootstrap(Bagging装袋、Boosting提升)、Stacking堆叠、Blending融合】
- 机器学习:维特比算法(Viterbi Algorithm)【场景:HMM模型中的解码问题(求给定观测序列的条件概率P(I|O,λ)最大时的隐藏状态序列)、“篱笆网络”最短/最大路径、分词】【动态规划】
- 机器学习-概率图模型:隐马尔可夫模型(HMM)【解决序列问题】【前提假设:隐层状态序列符合马尔可夫性、观测序列的各观测值相互独立】【被RNN等神经网络模型取代】【生成模型:对联合概率建模】
- 机器学习-概率图模型:条件随机场(CRF)【前提假设:隐层状态序列符合马尔可夫性、枚举整个隐状态序列全部可能】【MEMM--枚举整个隐状态序列全部可能-->CRF】【判别模型:条件概率】
- 清华大学计算机科学与技术系朱军教授:机器学习里的贝叶斯基本理论、模型和算法
- halcon脚本-机器学习【KNN】
- 机器学习中常见的过拟合解决方法
- 《构建实时机器学习系统》一2.2 怎样衡量监督式机器学习模型
- A.机器学习入门算法[七]:基于英雄联盟数据集的LightGBM的分类预测
- 机器学习-SVM-核函数
- 机器学习将成为对抗蜂窝网络欺诈的秘密武器
- 子网掩码 解释 ---判断各部机器ip 是不是同一个网段
- 【人工智能 & 机器学习 & 深度学习】基础选择题 31~60题 练习(题目+答案),亦含 判断题
- 机器学习与计算机视觉(opencl编程)
- 机器学习实战