哪个模型应该用于(事件百分比，时间)预测。分布不是线性的。
对于预测事件百分比和时间的模型选择，当分布不是线性的时候，可以考虑使用非线性回归模型，如多项式回归、支持向量回归（SVR）、决策树回归、随机森林回归、神经网络回归等。
- 多项式回归模型：多项式回归通过引入多项式特征，将原始特征的高次幂作为新的特征，从而拟合非线性关系。可以使用腾讯云的机器学习平台AI Lab提供的多项式回归算法进行建模和预测。详情请参考：腾讯云AI Lab
- 支持向量回归（SVR）：SVR是一种基于支持向量机的回归方法，通过将特征映射到高维空间，构建非线性的超平面来进行回归分析。腾讯云提供了支持向量回归算法，可以使用腾讯云的机器学习平台AI Lab进行建模和预测。详情请参考：腾讯云AI Lab
- 决策树回归：决策树回归是一种基于树结构的回归方法，通过构建决策树来拟合非线性关系。腾讯云提供了决策树回归算法，可以使用腾讯云的机器学习平台AI Lab进行建模和预测。详情请参考：腾讯云AI Lab
- 随机森林回归：随机森林是一种基于多个决策树的集成学习方法，通过构建多个决策树并进行平均或投票来拟合非线性关系。腾讯云提供了随机森林回归算法，可以使用腾讯云的机器学习平台AI Lab进行建模和预测。详情请参考：腾讯云AI Lab
- 神经网络回归：神经网络是一种模拟人脑神经元网络的计算模型，通过多层神经元的连接和激活函数来拟合非线性关系。腾讯云提供了神经网络回归算法，可以使用腾讯云的机器学习平台AI Lab进行建模和预测。详情请参考：腾讯云AI Lab
以上是针对非线性分布的事件百分比和时间预测的一些模型选择和腾讯云相关产品介绍。请注意，这些模型和产品仅作为示例，具体选择应根据实际情况和数据特点进行评估和决策。
相关·内容
我有一个按全天计算的停车位占用情况的测量表。这意味着在晚上停车场已经被占满了。中午时分入住率并不高。如果我在X，Y图上说明它，那么它看起来像是抛物线(-x^2) X轴是从午夜到晚上11:59的时间Y轴空闲停车位百分比
哪种模型更适合进行预测？线性回归？相反，它应该是非线性回归，对吗？或者我应该采取另一种模式？
浏览 10提问于2019-10-27得票数 0
回答已采纳
1回答
从数学上讲，offset_column参数在H2O随机森林算法的训练和预测过程中是如何工作的？
注意:偏移量是在模型培训期间使用的每行“偏差值”。对于高斯分布，它们可以看作是对响应(y)列的简单修正。模型不是学习预测响应(y行)，而是学习预测响应列的(行)偏移量。对于其他分布，在应用逆链接函数得到实际响应值之前，在线性化的
浏览 2提问于2018-01-02得票数 1
回答已采纳
1回答
回归方法
、
我想了解有哪些回归方法，以及它们的目的。我知道最小二乘法，你可以用它建立一个线性和非线性的模型并进行预测。
ARMA模型用于预测平稳时间序列，ARIMA模型用于非平稳时间序列。当大量的数据和符号被使用时，神经网络。对于时间序列，LSTM很受欢迎。什么方法适用于解决多元回归问题？在什么情况下我应该</em
浏览 0提问于2019-08-10得票数 1
回答已采纳
我正在尝试预测一个类似下面的auto.arima()模型。
一般来说，我想知道是否有必要在将时间序列传递给auto.arima()之前将其转换为类似于正态分布的时间序列。同样，如果你的xreg=...预测器与你试图预测的时间序列的滞后相关，或者反之亦然，这有关系吗？
浏览 0提问于2016-03-17得票数 2
2回答
模型使用交叉验证(~1600个样本)进行训练，25%的数据集用于测试(~540个样本)。我使用R平方和均方根误差(RSME)来评估测试样本的模型。我感兴趣的是寻找一种比较线性模型和非线性模型的评价方法。问题是
浏览 0提问于2018-08-06得票数 8
1回答
我为这个新手的问题道歉，但我希望这里的人能给我指明正确的方向。
我想预测事件( X )发生的时间，因为我怀疑几个时间序列与X的时间相关。我的模型将接受完整的时间序列作为输入，并为事件X预测发生的时间输出一个值。请注意，我不是试图预测未来事件
浏览 0提问于2020-09-04得票数 0
我正在开发一个库存管理系统，在这个系统中，我有关于某一特定项目的每日/每月/年度消费记录，这可能会或不可能遵循重复的趋势。为了在即将到来的时间框架内预测需求，建议采用哪种模型/分布？数据格式:数据是一系列(x, y)对，其中x是时间戳，y是消费计数。
据我所研究，随机森林或基于树的模型不能有效地处理趋势模式，而线性模型似乎也不合适，因为数据似乎并不遵循线性</e
浏览 0提问于2018-11-13得票数 1
回答已采纳
2回答
线性回归假设
、、
我读到，我们对线性回归作了以下假设：
因此，这些假设是特定于线性回归或适用于所有类型的回归技术，如支持向量回归，拉索和岭回归，逐步回归等。
浏览 0提问于2020-03-11得票数 3
我的训练矩阵X有形状( 5182,19231)，y是长度为5182的1s和0的列表。我的测试矩阵有形状(496,5477)。我把它们保存在单独的泡菜文件里。这是我的代码： f=open(pklFile1, 'rb') f.close()
return
浏览 4提问于2016-05-25得票数 1
回答已采纳
1回答
双峰结果数据的线性回归
、、、、
我有一个数据集，有3,000个特征和持续的时间因变量，有18,000个实例。因变量直方图显示它们具有双峰分布。我正在构建预测时间的线性回归模型，但是没有一个模型能够进行预测；所有模型的R^2值都是0。我绘制了模型的残差，并验证了它们是正态分布的。我使用Lasso系数的权重来过滤我的</
浏览 0提问于2019-11-06得票数 4
在发现可以应用于数据集的目标值(y列)的许多转换(如box变换)之后，我了解到，为了提高效率，需要用正态分布的目标值训练线性回归模型()。
我想知道是否也适用于非线性回归算法。到目前为止，我已经看到kaggle上的人使用日志转换来减少异方差，使用xgboost，但是他们从来没有提到是否也是为了获得正态分布的目标值。我试着做了一些研究，我在第11页的Andrew的课
浏览 2提问于2016-07-22得票数 2
回答已采纳
假设我有一个时间序列(例如比特币价格)。我想预测明天的价格，特别是明天价格从今天开始的变化。假设这是高斯分布的，平均为0%。如果市场走向横向，价格预测应该是中性的(例如0%)。
然而，也有一些时候，市场准备“升或跌，但不是横向”
浏览 0提问于2021-09-02得票数 0
回答已采纳
我有一个在Spark 1.6中内置的预测模型(Logistic回归)，它已经保存到磁盘上，以便以后与新数据记录一起重用。我想用多个客户端调用它，每个客户端传入一个数据记录。似乎使用Spark作业来运行单个记录会有太多的开销，并且伸缩性不是很好(每次调用只会传入一组18个值)。用于加载保存的模型的Spark需要MLlib上下文，所以我正在寻找如何以可伸缩的方式实现这一点的建议。脑海中浮现出带有Kafk
浏览 15提问于2016-09-07得票数 1
然而，根据我的理解和https://machinelearningmastery.com/cross-entropy-for-machine-learning/，交叉熵计算如果两个或多个分布是相似的。假设分布为Bernoulli分布或Multinoulli分布。
那么，我的问题是:为什么我们总是可以在回归问题中使用交叉熵，即Bernoulli？实际值和预测值是否总是遵循这样的分布？
浏览 0提问于2021-11-08得票数 1
回答已采纳
我试图将logistic回归模型拟合到高维(约15k)的不平衡数据集(0.5/99.5)。我用随机森林来选择最重要的200个特征。观测值在120 K左右。当我对基于数据集的logistic回归模型进行拟合时(使用Smote进行过采样)，在训练f1时，查全率和准确率都很好。但在测试中，精度分数和f1都很差。我认为这是有意义的，因为在培训中，少数人的案例要多得多，而在现实/测试中，只有很小的比例。因此，该算法仍在寻找更多的</e
浏览 0提问于2017-03-27得票数 7
回答已采纳
1回答
给出一些预测数据集，数据集1: 100培训和100个测试样本，50个特征数据集3:1000个训练和1000个测试样本，50个特征如何从这些数据集的下列数据中选择最佳的方法来估计线性回归模型中的未知参数(预测价格)？普通最小二乘主成分回归我应该</
浏览 0提问于2015-06-01得票数 6
2回答
我用这些数据建立了一个线性回归模型，可以用自变量预测因变量(我使用的是科学学习，所以只需使用model.predict )。这给我带来了重大的问题，我不确定这是否是正确的处理方法，我也不确定这是否会妨碍我获得预测变量精确值的目标。
是否有一种方法来计算预测价格的潜在准确性？在我看来，如果我要求模型对品牌x和质量y进行预测，而模型知道品牌x和质量总是会产生严格<em
浏览 0提问于2020-12-02得票数 0
回答已采纳
3回答
最近，在来自UPC/巴塞罗那的Oriol Pujol教授的机器学习课程中，他描述了用于广泛的机器学习相关任务的最常见的算法、原理和概念。参数与非参数估计，Sobolev等泛函空间；Ĺ2误差；核密度估计，最优核，KDE理论
如何预测连续变量(回归)？线性回归、正则化、岭回归和套索；局部线性回归；条件密度估计。如何预测离散变量(分类)？贝叶斯分类器，朴素贝叶斯，生成与鉴别；感知器，权重衰减，线性</e
浏览 0提问于2015-01-20得票数 40
让我们假设我有一个有噪声的2d数据集，其中一个观察数据的人可以很容易地在数据中画一条直线，从而使均方误差最小化。该线的模型采用y = mx + b形式，其中x为输入值，y为模型的预测值，m和b为训练变量，以使成本最小化。我的问题是，如果我们将一些输入x1插入到模型中，它总是输出相同的数字，而不考虑数据有多稀疏。像这样的模型如何从相同的输入中预测不同的</e
浏览 6提问于2017-04-01得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
