Statistics 基于机器学习的预测

假设我有过去5年的一些数据，并且我已经基于这些数据训练了我的分类器（任何决策树、svm等），即给定适当的输入特征数据和正确的输出标签

现在，对于当前年份，当我必须进行预测（预测输出）时，我可以提供当前年份的输入特征数据，分类器将预测正确的输出标签

到目前为止还不错

然而，假设我没有当前的输入特征数据，我怎么能仅仅根据过去的数据进行预测呢

---

例如，选举预测，即哪个政党将从每个选区获胜。在这篇文章中，我们有很多过去的数据，但没有当前的输入特征数据，因此如何进行这项工作？

Bogatron的评论是正确的答案。如果您没有使用输入功能并要求返回标签，那么分类器是错误的方法。基于过去数据的未来建模通常通过以下方式完成。最简单的方法可能是最小二乘法，它允许您选择一个简单的模型（考虑曲线拟合），从中您可以选择一个数据点并计算预测值。

Bogatron的评论是正确的答案。如果您没有使用输入功能并要求返回标签，那么分类器是错误的方法。基于过去数据的未来建模通常通过以下方式完成。最简单的方法可能是最小二乘法，这将允许您选择一个简单的模型（考虑曲线拟合），从中您可以选择一个数据点并计算预测值。

您试图做的可能被称为“时间序列预测”，然后您的输入可以成为过去预测的窗口（如果仍在当前窗口位置内，则为过去的数据）。

您尝试执行的操作可能称为“时间序列预测”，然后您的输入可以是过去预测的窗口（如果仍在当前窗口位置内，则为过去的数据）.

我认为他想做分类。分类时，你通常将现有数据分为两组：测试和训练。你对训练数据进行所有训练，当你认为训练完成时，你用测试集进行验证。如果两组数据的性能差异很大，那么你要么训练过度，要么问题无法解决使用这种类型进行筛选。如果您的数据很少，您可以尝试该策略。

我认为他打算进行分类。在分类时，您通常将现有数据分为两组：测试和训练。您对训练数据进行所有训练，当您认为完成时，您可以使用测试集进行验证。如果ets是非常不同的，那么你要么训练过度，要么问题根本不能用这种类型来分类。如果你只有很少的数据，你可以尝试这种策略。

你只能根据训练集中的旧数据或当前数据进行预测。获得准确预测的最佳方法是对于新样本，e是为了确保您不会过度拟合您的模型。如果您觉得您的模型不能准确反映您必须预测的最新数据中的内容，那么您可能需要获得其他功能。

您只能根据训练集中的旧数据或当前数据进行预测。对新样本进行准确预测的最佳方法是确保您的模型不会过度拟合。如果您觉得您的模型不能准确反映您必须预测的最新数据中的内容，则您可能需要获取其他特性。

如果您没有输入（除了当前的一年），你不再做分类——你现在正在做回归。所以你应该考虑为你的数据建立一个回归模型。如果你没有输入（除了当前的一年）然后，你不再做分类——你现在正在做回归。所以你应该考虑为你的数据建立一个回归模型。