回归预测 OR 时间序列预测

在选择正确的模型之前，首先应确定变量的关系和影响！！！区分清楚到底什么选择情况下选择回归预测，什么情况下选择时间序列预测。

回归预测：训练得到的回归模型表示了因变量  （目标）与自变量  ()（预测因子）之间的相关性，即一个或多个自变量对一个因变量的影响程度，适用于给定新的  来预测  的情况。

    常用回归模型（因变量  是连续值）：

                                线性回归(Linear Regression)

                                非线性——多项式回归(Polynomial Regression)

                                正则化——岭回归(Ridge Tegression)、拉索回归(Lasso Regression)、弹性网络回归(ElasticNet Regression) 

                                                    在数据集中的变量之间具有高维度和多重共线性的情况下效果较好。

                                神经网络（Neural Networks）等。

     注意：在开始模型训练之前需要对数据进行归一化！！！

                 逻辑回归(Logistic Regression)虽然叫回归，但实际是用于“分类”的，预测的是  为1或0的概率。

---

时间序列预测：训练得到的模型表示了随时间变化的  之间的相互依赖性与相关性，适用于预测未来一段时间内  的变化情况。

      常用时间序列模型：自回归（AR）模型——（适用于周期性，也适用于周期递增）、移动平均（MA）模型、自回归移动平均模型（ARMA）模型——（分析平稳非白噪声序列）、自回归积分滑动平均（ARIMA）模型——（非平稳时间序列）

                                         Holt-Winter模型（一次指数模型：预测为恒定值；

                                                                        二次指数模型 ：预测趋势值；

                                                                        三次指数模型：预测趋势和季节性 ）                                  

                                         LSTM模型（适用于单变量和多变量的周期性，不适用于周期递增）等。