在商业分析中,"时间"是一个核心概念。我们基于时间组件来分析销售数据、收入、利润、增长,甚至进行预测。然而,对于初学者来说,这可能是一个复杂的主题。在处理时间敏感的数据集时,需要考虑时间序列数据的多个细微方面。
在这个领域,没有放之四海而皆准的方法。我们不必总是强制使用传统的时间序列技术,如ARIMA(从经验中得出这个结论)。在某些项目中,如需求预测或点击预测,可能需要依赖监督学习算法。这就是时间序列特征工程发挥作用的地方。它有潜力将时间序列模型从一个良好的模型提升为一个强大的预测工具。
在本文中,我们将探讨使用日期时间列提取有用信息的各种特征工程技术。
https://avoid.overfit.cn/post/e6ef4e7e0c0e4af486d684dfd438cef2
标签:Python,工程技术,特征,时间,序列,数据 From: https://www.cnblogs.com/deephub/p/18389917