趋近智

所有课程

时间序列分析与预测

章节 1: 时间序列数据介绍

时间序列数据的特点

组成部分：趋势、季节性、周期性、不规则性

在Pandas中加载和处理时间序列数据

时间位移、滞后与滚动窗口

时间序列数据可视化

动手实践：数据加载与绘图

第 1 章测验

章节 2: 时间序列分解与平稳性

理解平稳性

时间序列分解方法

在 Python 中实现分解

平稳性检验：可视化检查

平稳性的统计检验 (ADF 检验)

实现平稳性：差分

动手练习：分解与平稳性检验

第 2 章测验

章节 3: 自相关性与模型识别

自动相关函数 (ACF)

偏自相关函数 (PACF)

在 Python 中绘制 ACF 和 PACF

解读ACF/PACF以选择模型

动手实践：ACF/PACF 图的绘制与解读

第 3 章测验

章节 4: ARIMA 模型用于预测

自回归 (AR) 模型

移动平均 (MA) 模型

结合AR和MA：ARMA模型

引入整合：ARIMA 模型

选择ARIMA模型阶数 (p, d, q)

在Python中使用statsmodels拟合ARIMA模型

模型诊断与残差分析

使用ARIMA模型进行预测

动手实践：构建ARIMA模型

第 4 章测验

章节 5: 使用SARIMA处理季节性

ARIMA模型处理季节性数据的局限性

季节性ARIMA（SARIMA）模型介绍

识别季节性成分 (ACF/PACF)

选择 SARIMA 阶数 (p, d, q)(P, D, Q)m

在 Python 中拟合 SARIMA 模型

SARIMA模型诊断

使用 SARIMA 进行预测

动手实践：构建SARIMA模型

第 5 章测验

章节 6: 模型评估与选择

模型评估的必要性

时间序列的训练-测试分离

常用评估指标（MAE、MSE、RMSE、MAPE）

信息准则 (AIC, BIC)

比较不同模型的预测结果

预测表现的可视化

动手练习：评估预测

第 6 章测验

Quiz for 使用SARIMA处理季节性 | ApX Machine Learning

测验

章节：使用SARIMA处理季节性

测试您对本章概念的理解并进行练习

测验说明

此测验包含 14 道问题来帮助您练习。
您需要至少获得 70% 的分数才能通过。
尝试次数：无限制。
将保留您的最高分数。
请在没有帮助的情况下尝试此测验；但是，如果需要，您可以随时参考章节笔记或使用代码解释器。
完成所有章节测验即可获得课程完成证书。了解更多

问题格式

问题设计得引人入胜，侧重于理解、应用和解释，而不是死记硬背。期待基于场景的问题，测试您应用所学知识的能力。

尝试记录

最佳分数和测验尝试将显示在这里。

© 2025 趋近智