【发布时间】：2017-06-05 03:44:12
【问题描述】：
我有大约 4 年不同分行的银行数据。我正在尝试预测每日和每小时级别的行数。我有 issue_datetime（年、月、日、小时）作为重要特征。我使用图形实验室应用了不同的回归技术（线性、决策树、随机森林、xgb），但无法获得更好的准确性。 我还考虑根据过去的数据设置阈值，例如在去除异常值后取每日、每月水平的计数平均值并将其设置为阈值。 最好的方法是什么？
【问题讨论】：
-
因为
What is the best approach?无法有意义地回答。即使有人尝试这样做，答案也将是高度投机的。总而言之，stackoverflow 的话题。 -
我同意@cel。但我认为，在尝试做出预测之前，尝试摆脱你的季节性模式可能有助于改进你的预测。
-
我也愿意接受建议，比如还有其他方法可以完成这项任务吗？
-
这个问题更适合datascience.stackexchange.com。话虽这么说：您基本上是在尝试对行为进行建模，并且您将想要测试不同的模型。我曾经用傅里叶分析解决了一个类似的问题（强度随时间变化）（在这种情况下它工作得很好）。傅立叶假设观测到的强度是由叠加的周期性事件引起的。
-
获得一本关于时间序列预测的书。我们不能在这里将所有这些信息都放在答案中。
标签： python machine-learning regression prediction graphlab