Condivisione della tecnologia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

       1. Media mobile

È il metodo di livellamento dei dati più semplice per livellare i dati delle serie temporali. Riduce il rumore calcolando la media dei punti dati all'interno di una determinata finestra preservando la tendenza dei dati.pacchetto media mobileInclude la media mobile semplice (SMA)o indiceMedia mobile ponderata (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 Media mobile semplice (SMA)：

È un metodo per livellare i dati calcolando la media dei punti dati all'interno di una finestra fissa. La dimensione della finestra determina il grado di livellamento. Una finestra più ampia risulterà in una curva più uniforme ma rallenterà la risposta ai trend, mentre una finestra più piccola sarà più sensibile alle successive fluttuazioni dei dati.

​

​ Comprensione del codice precedente: il grafico a linee blu rappresenta l'array generato nel codice. Come calcolare la media mobile semplice:

Le modifiche nella finestra cambieranno l'effetto di levigatura e il grado di levigatura in rosso. Quando la dimensione della finestra è 3, si può vedere che la parte difficile da smussare è scomparsa e la curva approssimativa diventa liscia. Tuttavia, quando la dimensione della finestra continua ad aumentare, si ottiene finalmente una piccola linea retta. La curva rossa è la curva di previsione.

Va notato che quando si installano i pacchetti seaborn e matplotlib, è difficile eseguire l'installazione utilizzando >python -m pip install matplotlib o pip install matplotlib https://pypi.tuna.tsinghua.edu.cn/simple o pin install matplotlib The nel terminale appare la seguente richiesta:

Impossibile decomprimere il file C:UsersHONORAppDataLocalTemppip-unpack-4qkfflipsimple.html (scaricato da C:UsersHONORAppDataLocalTemppip-req-build-s6_3j05c, content-type: text/html); impossibile rilevare il formato dell'archivio
ERRORE: Impossibile determinare il formato dell'archivio C:UsersHONORAppDataLocalTemppip-req-build-s6_3j05c

Utilizzare la seguente istruzione per eseguire correttamente l'installazione:

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 Media mobile ponderata esponenziale, EWMA：

La media mobile ponderata esponenzialmente è un metodo per livellare i dati applicando pesi esponenziali ai punti dati.ad essoAi dati recenti viene assegnato un peso maggiore, e perAi punti dati più vecchi viene assegnato un peso inferiore .Questo rende l'EMA di piùIdeale per monitorare i cambiamenti rapidiI dati.

​

Comprensione del codice della media mobile ponderata esponenzialmente: importare il pacchetto corrispondente, generare l'array corrispondente (ad esempio, polilinea blu) e definire il fattore di livellamento Quando il fattore di livellamento è inferiore, l'effetto di livellamento è più forte. viceversa. Allora qual è l'algoritmo della media mobile esponenzialmente ponderata?

La media mobile ponderata del periodo t viene utilizzata come valore previsto del periodo t+1.

​

2. Livellamento esponenziale

Il livellamento esponenziale è un metodo di livellamento e previsione dei dati delle serie temporali comunemente utilizzato per l'elaborazione dei dati con tendenze e stagionalità. Cattura le tendenze mutevoli dei dati assegnando pesi diversi ai punti dati storici e assegnando pesi più elevati ai dati più recenti. Lo livellamento esponenziale viene spesso utilizzato per generare previsioni, soprattutto quando è necessario effettuare previsioni per punti temporali futuri.

Le caratteristiche principali del livellamento esponenziale includono:

1. livellamento ponderato : il livellamento esponenziale utilizza pesi esponenziali per livellare i dati. I punti dati più recenti ricevono pesi più elevati, mentre i punti dati più vecchi ricevono pesi inferiori. Ciò significa che è più sensibile ai dati recenti, catturando così meglio le ultime tendenze nei dati.

2. tre forme principali : Esistono tre forme principali di livellamento esponenziale: livellamento esponenziale semplice, livellamento esponenziale doppio e livellamento esponenziale triplo. Ogni modulo viene utilizzato per diversi tipi di dati e modelli.

   • Il livellamento esponenziale semplice viene utilizzato per livellare i dati con tendenze e stagionalità.

   • Il doppio livellamento esponenziale viene utilizzato per uniformare i dati con tendenze ma senza stagionalità.

   • Il triplo livellamento esponenziale viene utilizzato per livellare i dati che presentano sia trend che stagionalità.

3. Aggiornamento ricorsivo: Lo smoothing esponenziale è un metodo ricorsivo che combina i risultati livellati precedenti con nuovi punti dati per produrre risultati livellati per il momento successivo.

4. Capacità di prevedere : Il livellamento esponenziale non viene utilizzato solo per livellare i dati, ma può anche essere utilizzato per generare previsioni per punti temporali futuri. Ciò lo rende utile in aree quali la previsione della domanda, la previsione del prezzo delle azioni e la previsione delle vendite.

5. applicabilità: Il livellamento esponenziale è adatto per dati di serie temporali stazionarie o non stazionarie ed è in grado di gestire bene tendenze, stagionalità e rumore.

6. caso:

Visualizzazione dei risultati:

3. Fitting polinomiale

L'adattamento polinomiale è un metodo di livellamento dei dati e di adattamento della curva che utilizza funzioni polinomiali per approssimare o adattare i dati originali al fine di descrivere meglio la tendenza o il modello dei dati. L'obiettivo dell'adattamento polinomiale è trovare una funzione polinomiale che passi sopra i punti dati forniti e si adatti bene a tali punti.

La forma generale di adattamento polinomiale è la seguente:

Tra questi, c'è la variabile indipendente, è la variabile dipendente che dipende ed è il coefficiente polinomiale. Modificando questi coefficienti è possibile adattare meglio la funzione polinomiale ai dati.

L'adattamento polinomiale viene spesso utilizzato nelle seguenti situazioni:

1. livellamento dei dati: L'adattamento polinomiale può essere utilizzato per rimuovere rumore o fluttuazioni nei dati per ottenere una curva uniforme.

2. analisi delle tendenze: gli adattamenti polinomiali possono essere utilizzati per identificare le tendenze nei dati, come tendenze lineari (polinomi di primo ordine), tendenze quadratiche (polinomi di secondo ordine) o tendenze di ordine superiore.

3. Adattamento della curva: L'adattamento polinomiale può essere utilizzato per adattare i dati sperimentali per ottenere l'adattamento migliore a un modello teorico o a una curva teorica.

4. Interpolazione dei dati:L'interpolazione polinomiale è un caso speciale di adattamento polinomiale, che stima i valori intermedi utilizzando polinomi tra punti dati noti.

Il principio generale dell'adattamento polinomiale è scegliere l'ordine polinomiale appropriato. Un ordine troppo basso potrebbe non adattarsi bene ai dati, mentre un ordine troppo alto potrebbe comportare un overfitting molto sensibile alle fluttuazioni dei nuovi dati. Pertanto, la chiave è la scelta dell’ordine polinomiale appropriato. Caso trinomiale: