<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                合規國際互聯網加速 OSASE為企業客戶提供高速穩定SD-WAN國際加速解決方案。 廣告
                # 白噪聲時間序列與 Python > 原文: [https://machinelearningmastery.com/white-noise-time-series-python/](https://machinelearningmastery.com/white-noise-time-series-python/) 白噪聲是時間序列預測中的一個重要概念。 如果時間序列是白噪聲,則它是一系列隨機數并且無法預測。如果一系列預測誤差不是白噪聲,則表明可以對預測模型進行改進。 在本教程中,您將發現使用 Python 的白噪聲時間序列。 完成本教程后,您將了解: * 白噪聲時間序列的定義及其重要性。 * 如何檢查您的時間序列是否為白噪聲。 * 統計和診斷圖,用于識別 Python 中的白噪聲。 讓我們開始吧。 ![White Noise Time Series with Python](https://img.kancloud.cn/24/83/24833bec35b057f37d50561b55424081_640x376.jpg) 白噪聲時間序列與 Python 照片由 [Dan Eckert](https://www.flickr.com/photos/cloudchaser32000/5125035596/) ,保留一些權利。 ## 什么是白噪聲時間序列? 時間序列可能是白噪聲。 如果變量是獨立的并且相同地分布為均值為零,則時間序列是白噪聲。 這意味著所有變量具有相同的方差( _sigma ^ 2_ ),并且每個值與系列中的所有其他值具有零相關性。 如果系列中的變量是從高斯分布中提取的,則該系列稱為高斯白噪聲。 ## 為什么這有關系? 白噪聲是時間序列分析和預測中的一個重要概念。 這有兩個主要原因: 1. **可預測性**:如果你的時間序列是白噪聲,那么根據定義,它是隨機的。您無法對其進行合理建模并進行預測。 2. **模型診斷**:時間序列預測模型中的一系列誤差理想情況下應為白噪聲。 模型診斷是時間序列預測的重要領域。 期望時間序列數據在基礎過程生成的信號之上包含一些白噪聲分量。 例如: ```py y(t) = signal(t) + noise(t) ``` 一旦通過時間序列預測模型進行預測,就可以收集和分析它們。理想情況下,一系列預測誤差應為白噪聲。 當預測誤差是白噪聲時,意味著時間序列中的所有信號信息都已被模型利用以進行預測。剩下的就是無法建模的隨機波動。 模型預測不是白噪聲的跡象表明可能進一步改進預測模型。 ## 你的時間系列白噪聲? 如果滿足以下任一條件,則您的時間序列不是白噪聲: * 你的系列是否有零均值? * 方差是否隨時間而變化? * 值是否與滯后值相關? 您可以使用一些工具來檢查時間序列是否為白噪聲: * **創建折線圖**。檢查總體特征,例如變化的均值,方差或滯后變量之間的明顯關系。 * **計算匯總統計**。檢查整個序列的均值和方差與系列中有意義的連續值塊(例如,天,月或年)的均值和方差。 * **創建自相關圖**。檢查滯后變量之間的總相關性。 ## 白噪聲時間序列示例 在本節中,我們將在 Python 中創建高斯白噪聲系列并執行一些檢查。 在實踐中創建和查看白噪聲時間序列是有幫助的。它將提供參考框架和示例圖和統計測試,以便在您自己的時間序列項目中使用和比較,以檢查它們是否是白噪聲。 首先,我們可以使用[隨機模塊](https://docs.python.org/3/library/random.html)中的 _gauss()_ 函數創建 1,000 個隨機高斯變量的列表。 我們將從高斯分布中繪制變量,其平均值( _mu_ )為 0.0,標準偏差( _sigma_ )為 1.0。 一旦創建,我們可以將列表包裝在 Pandas 系列中以方便使用。 ```py from random import gauss from random import seed from pandas import Series from pandas.tools.plotting import autocorrelation_plot # seed random number generator seed(1) # create white noise series series = [gauss(0.0, 1.0) for i in range(1000)] series = Series(series) ``` 接下來,我們可以計算并打印一些匯總統計數據,包括系列的均值和標準差。 ```py # summary stats print(series.describe()) ``` 鑒于我們在繪制隨機數時定義了均值和標準差,應該沒有意外。 ```py count 1000.000000 mean -0.013222 std 1.003685 min -2.961214 25% -0.684192 50% -0.010934 75% 0.703915 max 2.737260 ``` 我們可以看到平均值接近 0.0,標準差接近 1.0。考慮到樣本的小尺寸,預計會有一些差異。 如果我們有更多的數據,將系列分成兩半并計算和比較每一半的匯總統計數據可能會更有趣。我們希望每個子系列看到類似的均值和標準差。 現在我們可以創建一些圖表,從系列的線圖開始。 ```py # line plot series.plot() pyplot.show() ``` 我們可以看到該系列似乎是隨機的。 ![White Noise Series Line Plot](https://img.kancloud.cn/35/bd/35bde51ed6af5c8529440aa8b83d9a86_800x600.jpg) 白噪聲系列線圖 我們還可以創建直方圖并確認分布是高斯分布。 ```py # histogram plot series.hist() pyplot.show() ``` 實際上,直方圖顯示了明顯的鐘形曲線形狀。 ![White Noise Series Histogram Plot](https://img.kancloud.cn/df/07/df0755d8ebc05fd76d3330f81aa96029_800x600.jpg) 白噪聲系列直方圖 最后,我們可以創建一個相關圖并檢查與滯后變量的任何自相關。 ```py # autocorrelation autocorrelation_plot(series) pyplot.show() ``` 相關圖沒有顯示任何明顯的自相關模式。 有一些峰值高于 95%和 99%的置信水平,但這些都是統計上的僥幸。 ![White Noise Series Correlogram Plot](https://img.kancloud.cn/9c/37/9c373409af5b5b322e862f0c90a1df6a_800x600.jpg) 白噪聲系列 Correlogram Plot 為完整起見,下面提供了完整的代碼清單。 ```py from random import gauss from random import seed from pandas import Series from pandas.tools.plotting import autocorrelation_plot from matplotlib import pyplot # seed random number generator seed(1) # create white noise series series = [gauss(0.0, 1.0) for i in range(1000)] series = Series(series) # summary stats print(series.describe()) # line plot series.plot() pyplot.show() # histogram plot series.hist() pyplot.show() # autocorrelation autocorrelation_plot(series) pyplot.show() ``` ## 進一步閱讀 本節列出了一些用于進一步閱讀白噪聲和白噪聲時間序列的資源。 * 白噪聲過程,第 28 頁,[時間序列分析:預測和控制](http://www.amazon.com/dp/1118675029?tag=inspiredalgor-20) * 第 4.2 節白噪聲,[引入時間序列與 R](http://www.amazon.com/dp/0387886974?tag=inspiredalgor-20) 。 * 維基百科上的[白噪聲](https://en.wikipedia.org/wiki/White_noise) * 維基百科上的[高斯噪聲](https://en.wikipedia.org/wiki/Gaussian_noise) ## 摘要 在本教程中,您在 Python 中發現了白噪聲時間序列。 具體來說,你學到了: * 白噪聲時間序列由零均值,常數方差和零相關定義。 * 如果您的時間序列是白噪聲,則無法預測,如果您的預測殘差不是白噪聲,您可以改進模型。 * 您可以在時間序列中使用的統計數據和診斷圖來檢查是否為白噪聲。 您對本教程有任何疑問嗎?在下面的評論中提出您的問題,我會盡力回答。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看