高维特征筛选和时间序列下的模型选择的中期报告.docx

高维特征筛选和时间序列下的模型选择的中期报告
一、高维特征筛选：
1.需求分析
对于高维数据集，需要进行特征筛选，选出有重要影响的特征，去除冗余和无用特征，以提高模型的精度和泛化能力。
2.筛选方法
我们采用了多种特征筛选方法，包括Filter方法、Wrapper方法和Embedded方法。其中，主要包括Pearson、Chi-square、Mutualinformation、ReliefF、Lasso、Ridge和ElasticNet等。
3.实验结果
实验结果显示，根据模型的需求不同，选择的特征筛选方法也不同。在基于Pearson、Chi-square和Mutualinformation的Filter方法中，我们发现Pearson的效果相对较好；在Wrapper方法中，ReliefF的效果更佳；在Embedded方法中，Lasso、Ridge和ElasticNet能够同时起到筛选特征和防止过拟合的作用，效果较好。
4.下一步工作
我们将进一步探索更多的特征筛选方法，以及根据实际问题选择最优的方法，提升模型的性能。
二、时间序列下的模型选择：
1.需求分析
时间序列模型能够对时间序列中的数据进行预测和分析，应用广泛。对于不同类型的时间序列问题，需要选取不同的模型进行预测。
2.模型选择方法
我们采用了ARIMA、LSTM、Prophet和TBATS等不同的时间序列模型进行预测，并对比了它们的效果。其中，ARIMA是基于传统统计方法的模型，LSTM是基于深度学习的模型，Prophet是Facebook公司开发的一种时间序列预测工具，TBATS是基于多项式季节因子的模型。
3.实验结果
实验结果显示，不同的时间序列问题需要选择不同的模型进行预测。对于数据量较小的问题，ARIMA和Prophet的效果较好；对于数据量较大的问题，LSTM和TBATS的效果较好。
4.下一步工作
我们将进一步探索更多的时间序列模型，以及根据实际问题选择最优的方法，提升模型的性能。同时，还将结合多种模型进行组合预测，提高预测的准确性。