首页 亿信华辰大数据问答 数据预测有哪些方法?
我要提问
写回答

数据预测有哪些方法?

数据预测 共 1 个回答
  • 瘾蛮大
    瘾蛮大

    2023-02-17

    数据预测技术发展至今,已经有一些比较成熟的方法,或者说模型。大致可以分为以下六种:

    1、线性回归

    线性回归比较经典的模型之一,英国科学家Francis Galton在19世纪就使用了“回归 ”一词,并且仍然是使用数据表示线性关系最有效的模型之一。

    线性回归是世界范围内,许多计量经济学课程的主要内容。学习该线性模型可以在解决回归问题有方向,并了解如何用数学知识来预测现象。

    学习线性回归还有其他好处,尤其是还学习了两种可以获得最佳性能的方法时:

    ·闭式解:一个神奇的公式,能通过一个简单的代数方程给出变量的权重。

    ·梯度下降法:面向最佳权重值的优化方法,用于优化其他类型的算法。

    此外,我们可以用简单的二维图在实践中直观地看到线性回归,这也使该模型成为理解算法的良好开始。

    2、逻辑回归

    虽然名为回归,但逻辑回归是掌握分类问题的最佳模型。

    学习逻辑回归有以下几点优势:

    ·初步了解分类和多分类问题,这是机器学习任务的重要部分

    ·理解函数转换,如Sigmoid函数的转换

    ·了解梯度下降的其他函数的用法,以及如何对函数进行优化。

    ·初步了解Log-Loss函数

    学习完逻辑回归后,有什么用?能够理解分类问题背后的机制,以及如何使用机器学习来分离类别。

    就像线性回归一样,逻辑回归也是一种线性算法。在研究了这两种算法之后,将会了解线性算法背后的主要局限性,同时认识到它们无法代表许多现实世界的复杂性。

    3、决策树

    首先要研究的非线性算法应该是决策树。决策树是一种基于if-else规则的,相对简单且可解释的算法,它将让你很好地掌握非线性算法及其优缺点。

    决策树是所有基于树模型的基础。而且,决策树同时适用于回归和分类问题,两者之间的差异最小,选择影响结果的最佳变量的基本原理大致相同,只是换了一个标准来做。

    虽然了解了回归中超参数的概念,如正则化参数,但在决策树中这是极其重要的,能够帮助明确区分模型的好坏。

    同时,超参数在学习机器学习的过程中也至关重要,决策树能很好地对其进行测试。

    4、随机森林

    由于决策树对超参数和简单假设的敏感性,决策树的结果相当有限。当深入了解后,会明白决策树很容易过度拟合,从而得出的模型对未来缺乏概括性。

    随机森林的概念非常简单。有助于在不同的决策树之间实现多样化,从而提高算法的稳健性。

    就像决策树一样,可以配置大量的超参数,以增强这种集成模型的性能。集成(bagging)是在机器学习中一个非常重要的概念,能为不同的模型带来了稳定性,即用平均数或投票机制将不同模型的结果转化为一个单一的方法。

    在实践中,随机森林训练了固定数量的决策树,并对之前所有这些模型的结果进行平均。就像决策树一样,我们有分类和回归随机森林。

    5、XGBoost/LightGBM

    其他基于决策树的算法,并能带来稳定性的模型有XGBoost或LightGBM。不仅能提升算法,还能提供更稳健和概括性的模式。

    在Michael Kearns发表了关于弱学习者和假设检验的论文后,关于机器学习模型的思潮得到了关注。当中表明,增强模型是解决模型受到整体权衡偏差与方差的绝佳方案。此外,这些模型是Kaggle竞赛中最受欢迎的选择。

    6、人工神经网络

    最后,是当前预测模型中的王者——人工神经网络(ANNs)。

    人工神经网络是目前最好的模型之一,可以在数据中找到非线性模式,并在自变量和因变量之间建立真正复杂的关系。通过学习人工神经网络,你将接触到激活函数、反向传播和神经网络层的概念,这些概念应该为你研究深度学习模型打下良好的基础。

    此外,神经网络在结构上有很多不同的特点,学习最基本的神经网络将为转到其他类型的模型打下基础,如主要用于自然语言处理和递归神经网络和主要用于计算机视觉的卷积神经网络。

您可能需要的数据产品
亿信华辰助力政企数字化转型

现在申请试用亿信华辰数据软件,马上可获得:

50+

领导驾驶舱、大屏分析等BI模板

100+

多行业数字化转型解决方案

1500+

海量工具及行业应用学习视频

立即申请试用
customer

在线咨询