Teknologian jakaminen

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

       1. Liukuva keskiarvo

Se on yksinkertaisin tietojen tasoitusmenetelmä aikasarjatietojen tasoittamiseen. Se vähentää kohinaa laskemalla datapisteiden keskiarvon tietyssä ikkunassa säilyttäen samalla tietojen trendin.liukuva keskiarvo pakettiSisältää yksinkertaisen liukuvan keskiarvon (SMA)tai indeksiPainotettu liukuva keskiarvo (EMA).

        plt.rcParams['font.sans-serif'] = ['SimHei']，在整篇文章的代码中绘制图的时候加入此句代码，可以解决下图中文字标题显示不出的问题。

     1.1 yksinkertainen liukuva keskiarvo (SMA)：

Se on menetelmä tietojen tasoittamiseksi laskemalla datapisteiden keskiarvo kiinteässä ikkunassa. Ikkunan koko määrittää tasoitusasteen. Suurempi ikkuna johtaa tasaisempaan käyrään, mutta hidastaa trendeihin reagoimista, kun taas pienempi ikkuna on herkempi seuraaville tietojen vaihteluille.

​

Yllä olevan koodin ymmärtäminen: Sininen viivakaavio edustaa koodissa luotua taulukkoa. Kuinka laskea yksinkertainen liukuva keskiarvo:

Ikkunan muutokset muuttavat tasoitustehoa ja tasoitusastetta punaisella. Kun ikkunan koko on 3, on havaittavissa, että vaikeasti tasoitettava osa on kadonnut ja karkea käyrä muuttuu tasaiseksi. Kuitenkin, kun ikkunan kokoa jatketaan, saadaan lopulta pieni suora. Punainen käyrä on ennustekäyrä.

On huomattava, että kun asennat seaborn- ja matplotlib-paketteja, on vaikea asentaa komennolla >python -m pip install matplotlib tai pip install matplotlib https://pypi.tuna.tsinghua.edu.cn/simple tai pin install matplotlib terminaaliin tulee seuraava kehote:

Tiedostoa C:UsersHONORAppDataLocalTemppip-unpack-4qkfflipsimple.html ei voi purkaa (ladattu osoitteesta C:UsersHONORAppDataLocalTemppip-req-build-s6_3j05c, sisältötyyppi: text/html); ei pysty tunnistamaan arkiston muotoa
VIRHE: C:UsersHONORAppDataLocalTemppip-req-build-s6_3j05c arkistomuotoa ei voi määrittää

Käytä seuraavaa käskyä asentaaksesi onnistuneesti:

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn matplotlib

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn seaborn

1.2 Eksponentiaalinen painotettu liukuva keskiarvo, EWMA：

Eksponentiaalisesti painotettu liukuva keskiarvo on menetelmä tietojen tasoittamiseksi käyttämällä eksponentiaalisia painoja datapisteisiin.siihenViimeaikaisille datapisteille annetaan suurempi painoarvo, ja vartenVanhemmille datapisteille annetaan pienempi paino .Tämä tekee EMA:sta enemmänIhanteellinen nopeiden muutosten seuraamiseenTiedot.

​

Eksponentiaalisesti painotetun liukuvan keskiarvon koodin ymmärtäminen: Tuo vastaava paketti, generoi vastaava taulukko (eli sininen polyline) ja määritä tasoituskerroin Kun tasoituskerroin on pienempi, tasoitusvaikutus on vahvempi. päinvastoin. Joten mikä on eksponentiaalisesti painotetun liukuvan keskiarvon algoritmi?

Jakson t painotettua liukuvaa keskiarvoa käytetään jakson t+1 ennustettuna arvona.

​

2. Eksponentiaalinen tasoitus

Eksponentiaalinen tasoitus on yleisesti käytetty aikasarjatietojen tasoitus- ja ennustamismenetelmä trendien ja kausivaihteluiden käsittelyyn. Se vangitsee datan muuttuvat trendit määrittämällä eri painot historiallisille tietopisteille ja lisäämällä suurempia painoja uudemmille tiedoille. Eksponentiaalista tasoitusta käytetään usein ennusteiden luomiseen, varsinkin kun ennusteita on tehtävä tuleville aikapisteille.

Eksponentiaalisen tasoituksen pääpiirteitä ovat:

1. painotettu tasoitus : Eksponentiaalinen tasoitus käyttää eksponentiaalisia painoja tietojen tasoittamiseen. Uudemmat datapisteet saavat suuremman painon, kun taas vanhemmat datapisteet saavat pienempiä painoarvoja. Tämä tarkoittaa, että se on herkempi viimeaikaisille tiedoille, joten se vangitsee paremmin tiedon uusimmat trendit.

2. kolme päämuotoa : Eksponentiaalista tasoitusta on kolme päämuotoa: yksinkertainen eksponentiaalinen tasoitus, kaksinkertainen eksponentiaalinen tasoitus ja kolminkertainen eksponentiaalinen tasoitus. Jokaista lomaketta käytetään erityyppisille tiedoille ja kuvioille.

   • Yksinkertaista eksponentiaalista tasoitusta käytetään tietojen tasoittamiseen trendeillä ja kausivaihteluilla.

   • Double Exponential Smoothing -toimintoa käytetään tasoittamaan dataa trendeillä, mutta ilman kausivaihtelua.

   • Kolminkertaista eksponentiaalista tasoitusta käytetään tasoittamaan dataa, jolla on sekä trendejä että kausiluonteisuutta.

3. Rekursiivinen päivitys: Eksponentiaalinen tasoitus on rekursiivinen menetelmä, joka yhdistää aiemmat tasoitetut tulokset uusiin tietopisteisiin tuottaakseen tasoitettuja tuloksia seuraavaa ajankohtaa varten.

4. Kyky ennustaa : Eksponentiaalista tasoitusta ei käytetä vain tietojen tasoittamiseen, vaan sitä voidaan käyttää myös tulevien ajankohtien ennusteiden luomiseen. Tämä tekee siitä hyödyllisen esimerkiksi kysynnän ennustamisessa, osakekurssien ennustamisessa ja myynnin ennustamisessa.

5. sovellettavuus: Eksponentiaalinen tasoitus soveltuu kiinteälle tai ei-stationaariselle aikasarjadatalle, ja se käsittelee hyvin trendejä, kausivaihtelua ja melua.

6. tapaus:

Tulosten näyttö:

3. Polynominen sovitus

Polynomiasovitus on tietojen tasoitus- ja käyräsovitusmenetelmä, joka käyttää polynomifunktioita alkuperäisen datan likimääräiseen tai sovittamiseen, jotta se kuvaa paremmin datan trendiä tai kuviota. Polynomisovituksen tavoitteena on löytää polynomifunktio, joka kulkee annettujen datapisteiden yli ja sopii niihin hyvin.

Polynomisen sovituksen yleinen muoto on seuraava:

Niiden joukossa on riippumaton muuttuja, on riippuvainen muuttuja, joka riippuu, ja on polynomikerroin. Säätämällä näitä kertoimia voit saada polynomifunktion sopimaan dataan paremmin.

Polynomiasennusta käytetään usein seuraavissa tilanteissa:

1. tietojen tasoitus: Polynomisovitusta voidaan käyttää poistamaan kohina tai vaihtelut tiedoista tasaisen käyrän saamiseksi.

2. trendianalyysi: Polynomisovituksia voidaan käyttää tietojesi trendien tunnistamiseen, kuten lineaariset trendit (ensimmäisen kertaluvun polynomit), neliötrendit (toisen kertaluvun polynomit) tai korkeamman kertaluvun trendit.

3. Käyrän sovitus: Polynomisovitusta voidaan käyttää kokeellisten tietojen sovittamiseen parhaan sovituksen saamiseksi teoreettiseen malliin tai teoreettiseen käyrään.

4. Tietojen interpolointi:Polynomiinterpolointi on polynomisovituksen erikoistapaus, joka arvioi väliarvot käyttämällä tunnettujen datapisteiden välisiä polynomeja.

Polynomisen sovituksen yleinen periaate on valita sopiva polynomijärjestys. Liian pieni tilaus ei välttämättä sovi dataan hyvin, kun taas liian korkea tilaus voi johtaa ylisovitukseen, joka on erittäin herkkä uuden datan vaihteluille. Siksi oikean polynomijärjestyksen valitseminen on avainasemassa. Trinomiaalinen tapaus: