文件名称：预测：时间序列预测最佳做法和示例
文件大小：7.9MB
文件格式：ZIP
更新时间：2024-02-23 23:19:29
python machine-learning r deep-learning time-series
预测最佳做法 时间序列预测是数据科学中最重要的主题之一。 几乎每个企业都需要预测未来，以便做出更好的决策并更有效地分配资源。 该存储库提供了用于构建预测解决方案的示例和最佳实践准则。 该存储库的目标是构建一套全面的工具和示例，以利用预测算法的最新进展来构建解决方案并将其实现。 我们不是从头开始创建实现，而是从现有的最新库中提取资源，并围绕处理和特征化数据，优化和评估模型以及扩展到云构建其他实用程序。 这些示例和最佳实践以以及。 我们希望这些示例和实用程序可以简化从定义业务问题到开发解决方案数量级的经验，从而大大减少“上市时间”。 另外，示例笔记本将作为指南，并以多种语言展示工具的最佳实践和用法。 清理通知（2020-06-23） 我们已经清理了大的过时文件，以减小此存储库的大小。 如果您以前曾对其进行克隆或分叉，请再次删除并克隆/分叉，以避免任何潜在的合并冲突。 内容 以下是用于开发此存储库中涵盖的预测解决方案的模型和方法的摘要。 这些根据用例进行组织。 当前，我们将重点放在零售销售预测用例上，因为该用例已广泛用于，和。 为了实现高吞吐量的预测方案，我们提供了一些示例，这些示例使
【文件预览】：
forecasting-master
----.coveragerc(105B)
----NOTICE.txt(625B)
----pyproject.toml(174B)
----docs()
--------SETUP.md(6KB)
----tools()
--------environment_setup.sh(528B)
--------generate_conda_file.py(5KB)
--------environment.yml(994B)
--------generate_requirements_txt.py(1KB)
--------environment_setup.bat(664B)
----.github()
--------PULL_REQUEST_TEMPLATE.md(606B)
--------ISSUE_TEMPLATE.md(676B)
--------ISSUE_TEMPLATE()
----assets()
--------time_series_split_singleround.jpg(52KB)
--------time_series_split_multiround.jpg(125KB)
----_config.yml(26B)
----tests()
--------pytest.ini(50B)
--------conftest.py(1KB)
--------ci()
--------integration()
----R_utils()
--------model_eval.R(2KB)
--------save_objects.R(916B)
--------cluster.R(1KB)
----LICENSE(1KB)
----.lintr(589B)
----CONTRIBUTING.md(7KB)
----fclib()
--------tests()
--------requirements.txt(167B)
--------fclib()
--------setup.py(1KB)
--------README.md(3KB)
----forecasting.Rproj(173B)
----examples()
--------grocery_sales()
--------retail_turnover()
--------README.md(2KB)
----.gitignore(249B)
----README.md(11KB)
----.flake8(451B)
----contrib()
--------README.md(680B)
----.pre-commit-config.yaml(389B)
----codeofconduct.md(75B)