预测模型1 .时间序列分析2 .机器学习预测模型2.1决策树2.2支持向量机回归(SVR )
获得数据集时，任务是预测一组值，而预测任务大多采用拟合方法。 该文本主要介绍了三种预测方法的时间序列分析、灰色预测模型和神经网络。
1 .时间序列分析
时间序列也叫动态序列，数据是由时间和数值组成的序列。 时间序列分析有三个作用，可以大致记述为记述过去，分析规律，预测未来。 接下来将介绍3个模型，季节分解，指数平滑，ARIMA模型。
一般时间序列数值变化规律有4种(长期趋势t、循环波动c、长期趋势t、不规则波动I )。 首先，对数据绘制时间序列图，观察数据随周期的变化，进而判断序列是否会随周期有较大的变动。 整体序列根据周期的不同会有较大变动还是不会有较大变动，我们采用季节性分解，分别采用乘法和叠加模型。
缺损值可以自己选择方法来填补，这里主要介绍该模型的思想和步骤。 介绍具体的预测模型。
首先，请参阅指数平滑模型
指数平滑大致分为3358www.Sina.com/和简单平滑，Holt线性趋势模型，阻尼趋势模型，简单季节性
yydhl模型
这里截取了文章的段落。
这里，对平滑化参数的选择进行说明。 (1)时序不规则起伏，但长期呈较稳定数时，介于) 0.05、0.2 )之间；(2)序列有明显变化时，介于) 0.3、0.5 )之间；(3)序列变化较慢时这个模型只能预测一期的数据。 原因是他的预测公式。
这里的第一项是预测。 如果预测了，并且要预测t 2时的数据，就会知道需要Xt 1的实际数据，我们不存在该实际数据。 最终预测t 2时只能用t 1的预测值代替，带入方程式中可以得到Xt 2=Xt 1。 这些现象包括：
到了2014年之后就是一个数。 各型号的具体介绍和比较
简单平滑模型
Hole提出了简单的指数平滑模型，可以预测包括趋势在内的数据。 该方法包括预测方程和两种平滑方法。 适用条件：不含季节成分的线性趋势。 另外，Brown线性趋势模型是该模型的特例。
Hole现象趋势模型
适用条件：线性趋势逐渐减弱，不含季节成分。 Hole的线性趋势模型未来的预测值过高。 在此基础上调整该模型，有效施加阻力效应缓解高线性趋势。
模型如下。
以下是两种模型的比较，红色是指加阻尼的模型，蓝色是指Hole线性趋势模型。
阻尼趋势模型
适用条件：含稳定季节性，不含趋势。 模型如下。
简单季节性
他们的适用条件都含有季节性和稳定的季节成分，如上所述，加法和乘法的选择要看时间序列的波动性，周期性波动大的是乘法，反之则是加法。 以下分别是yydhl加法和yydhl乘法。
从图中更清楚地看到他们的差异，一方预测波动较大，另一方预测波动相对缓慢。
另外，使用这些模型需要时间序列的稳定性，稳定性较低，如果时间序列间隔与预测无关，协方差为0，则Xt为白噪声序列。 一般用ACF和PACF检查，但这两种检查偶然情况太多，很难判断。 如后所述，如果是ARMA模型，则完全无法判断。
根据上面的指数平滑模型，在这里预测女装的销售额，
首先，绘制数据的时间序列图。
从中发现整体序列周期性地越来越大，本文采用叠加模型对周期进行季节性分解。 由于时序数据受季节性的影响较大，且存在数据的波动规律，本文选择了yydhl的乘法模型。
观察数据，发现每年中3月和12月，一个周期的销售额明显大于其他月份，随着周期的推进，整体时序数据随周期波动逐渐上升。 因此，对该时间序列采用乘法模型的季节性分解，分解如下图所示。
由于时序数据受季节性变化的影响较大，本文采用yydhl乘法(winter’smultiplicative )模型对数据进行建模
用于描述yydhl乘法序列模型的三个参数、、的值分别为0.034、2.4.6e-7、0.001，此时q检验按原假设绘制残差ACF及残差PACF图，在ACF检验中为滞后
根据yydhl乘法，预测的数据如下图所示，实际值与拟合值的倾向大致一致。 上表表明，拟合似然度为0.815，表明拟合效果良好，预测的数据也呈现出周期性和波动的趋势。
最后预测10年女装销售额的数据如下
2.1机器学习预测模型2.1决策树此博客可以介绍决策树，利用此博客通过sklearn实现回归树
决策树介绍
froms klearn.datasetsimportload _ diabetesf
rom sklearn.model_selection import train_test_splitfrom sklearn.model_selection import cross_val_scorefrom sklearn.tree import DecisionTreeRegressor#导入内置数据集X, y = load_diabetes(return_X_y=True)#切分训练集和测试集train_x,test_x,train_y,test_y = train_test_split(X,y,test_size=0.3)#构建回归树模型regressor = DecisionTreeRegressor(random_state=0).fit(train_x,train_y)#十折交叉验证模型的性能cross_val_score(regressor, X, y, cv=10)#预测regressor.predict(test_x)另外可以对决策树可视化，效果图：
附上实现的连接：可视化
支持向量分类产生的模型（如上所述）仅依赖于训练数据的一个子集，因为构建模型的成本函数不关心超出边界的训练点。类似地，支持向量回归生成的模型仅依赖于训练数据的一个子集，因为成本函数忽略了预测接近其目标的样本。
支持向量回归有 3 种不同的实现： SVR、NuSVR和LinearSVR。LinearSVR 提供比SVR但仅考虑线性内核更快的实现，同时NuSVR实现与SVR和略有不同的公式LinearSVR。
具体实现如下：