九道门丨如何使用随机森林进行时间序列预测？

传统的时间序列预测模型，如 ARIMA、SARIMA 和 VAR ，都是基于回归过程，因为这些模型需要处理连续变量。随机森林也是常用的机器学习模型之一，在分类和回归任务中具有非常好的性能。随机森林回归模型也可用于时间序列建模和预测，以获得更好的结果。在本文中，我们将讨论如何使用随机森林回归器进行时间序列建模和预测。

关于随机森林回归器：

随机森林模型是许多决策树的集合，其中决策树被称为弱学习器。它可以应用于分类和回归问题。使用随机森林的回归过程可以通过以下步骤完成：

数据拆分：该过程通过特征拆分，每一行负责创建决策树。

决策：每棵树都根据数据做出自己的决策。

决策聚合：在这一步中，树的平均值预测成为最终结果。

这种来自树的平均决策使得随机森林回归比任何其他算法都强。让我们看看如何在时间序列建模中使用随机森林模型。

流程 ：

在开始前，我们可以使用从此处获得的每日女性出生总数数据集。

由于我们使用的模块旨在处理监督学习数据集，因此我们需要将时间序列转换为监督学习数据集，转换后，再对单变量数据进行验证。在将数据拟合到模型中后，我们根据平均绝对误差交叉检查准确性。下面从导入库开始。

1.导入库-

在正常中只需要使用 pandas、NumPy、matplotlib 和 sklearn 库。

从 sklearn 集成导入随机森林回归器

2.数据转换-

这部分实现了一个函数，可以将时间序列转换为监督学习数据。

在上面的函数中，我定义了输入序列和预测序列并将它们连接起来，并且删除了所有的 NaN 值。

3.数据拆分-

本节定义了一个可以拆分数据集的函数。

4.模型拟合-

在本节中，我们将定义一个函数，它可以帮助通过随机森林回归模型拟合转换后的数据。

这个函数将列表转换为数组，然后拆分数据并拟合模型。训练模型后，它将帮助我们进行下一步预测。

5.单变量数据的验证-

本节将利用上述所有函数，并将测试数据与模型拟合，以预测和检查模型的准确性。

6.加载数据中-

加载数据并使用上述函数将数据转换为监督学习数据。

7.模型评估-

根据均方误差评估模型。

输出：

在上面的输出中，我们可以看到 MAE 为 5.999。这是一个很好的迹象。下面我们用测试数据绘制这些预测。

输出：

在这里我们可以看到拟合随机森林回归模型的预测值。为了获得更好的性能，我们可以改变随机森林回归模型的参数。