Python数据分析与挖掘实战 第5章 数据挖掘算法基础.pptVIP

* 对非平稳时间序列的分析方法可以分为确定性因素分解的时序分析和随机时序分析两大类。 确定性因素分解的方法将所有序列的变化都归结为4个因素（长期趋势、季节变动、循环变动和随机波动）的综合影响，其中长期趋势和季节变动的规律性信息通常比较容易提取，而由随机因素导致的波动则非常难以确定和分析，对随机信息浪费严重，会导致模型拟合精度不够理想。 随机时序分析法的发展就是为了弥补确定性因素分解方法的不足。根据时间序列的不同特点，随机时序分析可以建立的模型有ARIMA模型、残差自回归模型、季节模型、异方差模型等。本小节重点介绍ARIMA模型对非平稳时间序列进行建模。 非平稳时间序列分析 差分运算具有强大的确定性信息提取能力，许多非平稳序列差分后会显示出平稳序列的性质，这时称这个非平稳序列为差分平稳序列。常用的差分计算分为p阶差分和k步差分两种。 p阶差分：做p次差分。 k步差分：相距k个数据的两个序列值之间的减法运算称为k步差分运算。 非平稳时间序列分析 差分运算 对差分平稳序列可以使用ARMA模型进行拟合。ARIMA模型的实质就是差分运算与ARMA模型的组合。 非平稳时间序列分析 ARIMA模型 平稳性和白噪声检验 使用statsmodels库中的stats模块的acorr_ljungbox函数可