前言

提示：這裡可以新增本文要記錄的大概內容：
例如：隨著人工智慧的不斷髮展，機器學習這門技術也越來越重要，很多人都開啟了學習機器學習，本文就介紹了機器學習的基礎內容。

提示：以下是本篇文章正文內容，下面案例可供參考

一、定量預測是什麼？

定量預測，是使用歷史資料或因素變數來預測需求的數學模型。概念解釋如下：

因素變數：即自變數，或者稱為解釋變數
需求：可以理解為因變數，或者被解釋變數

二、定量預測的分類

定量預測分為兩類：

時序預測法。它是以一個指標歷史資料的變化趨勢，去尋找該指標的變化規律，從而將該變化規律作為預測的依據（把未來作為過去歷史的延伸）。
*注：該變化規律是用數學表示式來表達的
因果分析法。它包括：

一元迴歸法
多元迴歸法
投入產出法

其中，迴歸預測法是因果分析法中很重要的一種。它從因變數與自變數的歷史和現實變化的相互關係中，探索它們之間的規律性聯絡，作為預測未來的依據。（這句話來自百度百科，看的不太懂）

百度百科的另一個解釋：
迴歸預測(regression forecasting)是迴歸方程的一項重要應用。所謂預測就是對給定的X值（解釋變數），估計Y值（因變數）將落在什麼範圍（預測是有誤差的)。

基於對以上兩種定量預測方法的闡述，可以大致得出定量預測問題的處理思路：

已有待預測變數（即上文所說的“指標”）的歷史資料：直接使用“時序預測法"：對變數歷史資料的變化趨勢進行擬合，將擬合結果（即上文所說“變化規律”）作為預測的依據。

優點：不涉及其他變數；可選方法多

沒有待預測變數的歷史資料：無法使用“時序預測法"，只能採取“迴歸分析法”：先得到解釋變數 $X_i$ 和因變數 $Y$ 的歷史資料，然後擬合得到迴歸方程，最後根據解釋變數的未來值，預測因變數的未來值。

優點：無需知道待預測變數的歷史資料
缺點：必須得知與因變數處於同一時點的，解釋變數的樣本值

1.引入庫

程式碼如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.讀入資料

程式碼如下（示例）：

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

該處使用的url網路請求的資料。

總結

提示：這裡對文章進行總結：
例如：以上就是今天要講的內容，本文僅僅簡單介紹了pandas的使用，而pandas提供了大量能使我們快速便捷地處理資料的函式和方法。

2020-11-19

文章目錄

前言

一、定量預測是什麼？

二、定量預測的分類

1.引入庫

2.讀入資料

總結

相關文章