Machine learning 如何使用SGD进行时间序列分析

可以用于时间序列分析吗

我最初的想法是，给定一系列（t，v）对，其中我希望SGD回归器预测与t+1相关的v，将日期/时间转换为整数值，并使用铰链损失函数在此列表上训练回归器。这是否可行

编辑：这是使用in-scikit学习的示例代码。然而，它无法正确预测简单的线性时间序列模型。它所做的似乎只是计算训练Y值的平均值，并将其用作测试Y值的预测。是SGD不适合进行时间序列分析，还是我的表述不正确

from datetime import date
from sklearn.linear_model import SGDRegressor

# Build data.
s = date(2010,1,1)
i = 0
training = []
for _ in xrange(12):
    i += 1
    training.append([[date(2012,1,i).toordinal()], i])
testing = []
for _ in xrange(12):
    i += 1
    testing.append([[date(2012,1,i).toordinal()], i])

clf = SGDRegressor(loss='huber')

print 'Training...'
for _ in xrange(20):
    try:
        print _
        clf.partial_fit(X=[X for X,_ in training], y=[y for _,y in training])
    except ValueError:
        break

print 'Testing...'
for X,y in testing:
    p = clf.predict(X)
    print y,p,abs(p-y)

---

时间序列预测的选择方法取决于您对时间序列的了解程度。如果你为你的任务选择了一种特定的方法，你总是对你的信号的性质和产生信号的系统类型做出隐含的假设。任何方法都是系统的模型。对信号和系统的先验知识了解得越多，就越能对其建模

---

例如，如果您的信号具有随机性，通常ARMA过程或卡尔曼滤波器是一个不错的选择。如果这些都失败了，其他更具确定性的模型可能会有所帮助，因为，考虑到corse，您有一些关于您的系统的信息。

sklearn中的SGDRegrestor对于未缩放的输入参数在数值上是不稳定的。为了获得好的结果，强烈建议您缩放输入变量

from datetime import date
from sklearn.linear_model import SGDRegressor

# Build data.
s = date(2010,1,1).toordinal()
i = 0
training = []
for _ in range(1,13):
    i += 1
    training.append([[s+i], i])
testing = []
for _ in range(13,25):
    i += 1
    testing.append([[s+i], i])

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train = scaler.fit_transform([X for X,_ in training])

在训练SGD回归器之后，您必须相应地缩放测试输入变量

clf = SGDRegressor()
clf.fit(X=X_train, y=[y for _,y in training])

print(clf.intercept_, clf.coef_)

print('Testing...')
for X,y in testing:
    p = clf.predict(scaler.transform([X]))
    print(X[0],y,p[0],abs(p[0]-y))

结果如下：

[6.31706122] [3.35332573]
Testing...
733786 13 12.631164799851827 0.3688352001481725
733787 14 13.602565350686039 0.39743464931396133
733788 15 14.573965901520248 0.42603409847975193
733789 16 15.545366452354457 0.45463354764554254
733790 17 16.51676700318867 0.48323299681133136
733791 18 17.488167554022876 0.5118324459771237
733792 19 18.459568104857084 0.5404318951429161
733793 20 19.430968655691295 0.569031344308705
733794 21 20.402369206525506 0.5976307934744938
733795 22 21.373769757359714 0.6262302426402861
733796 23 22.34517030819392 0.6548296918060785
733797 24 23.316570859028133 0.6834291409718674