问题描述
我想使用 3 年窗口批量输入 2000 年至 2020 年的输入，同时在 Python 中创建线性回归算法以查看这三年对第四年数据的意义。
输入数据示例：[2000,2001,2002],[2001,2002,2003],[2002,2003,2004]
输出数据：[2003],[2004] [2005]
我希望我的分类器能够解析 2000 年至 2020 年的整个数据集，并将线性回归作为一个整体来拟合其结果。
我没有“到目前为止我已经完成了”示例代码，因为我多年来一直在考虑 for 循环，但如果我理解正确，我的 reg.fit(x,y) 命令将重置每次循环中的拟合以及最终我的拟合最终将成为 [2017,2018,2019] 的输入，而 [2020] 是覆盖所有先前拟合的输出。
解决方法
我将假设目标是预测类似于您的示例的内容，即您有 3 个数据点作为输入：
- X1：从第 N-4 年到第 N-2 年的滑动窗口上的值 v
- X2：从第 N-3 年到第 N-1 年滑动窗口上的值 v
- X3：从第 N-2 年到第 N 年的滑动窗口上的值 v
并且您想在从第 N-1 年到第 N+1 年的下一个滑动窗口中预测代表 v 的 Y。
在 ML 设计中，此选项意味着您具有三个特征，即线性回归模型的 3 个输入维度。换句话说，单个实例由 (X1,X2,X3,Y) 组成。像往常一样，训练集由多个此类实例组成，因此您可以根据训练集中的所有实例训练单个模型。
此选项的优点是模型将考虑 3 年 v 如何影响下一年 v 的年份变化。然而，此模型只能预测下一年，而在单个维度上训练的模型X 可以预测任何年份。