45、高级数据准备：提升机器学习模型效能的关键策略

高级数据准备：提升机器学习模型效能的关键策略

1. 导数概念在时间序列模型中的应用

在时间序列模型中，一阶导数和二阶导数的概念能作为有用的特征。一阶导数指行为的速度，即单位时间内的行为计数。例如，每月在流媒体服务上的消费金额，或者每月流媒体播放的电视节目和电影数量。这些单独来看就是有用的预测指标，但结合二阶导数（行为的加速度或减速度）时会更有价值。加速度是速度随时间的变化，如每月消费的变化或每月播放节目的变化。高消费、高使用量的高速客户可能不太容易流失，但这些客户的快速减速（即使用量或消费大幅减少）可能预示着即将流失。

除了速度和加速度，还可以构建一致性、可靠性和变异性的度量，以进一步提高预测能力。突然改变的高度一致的行为可能比类似变化的剧烈波动行为更值得关注。计算最近几个月有购买行为、消费或行为达到给定阈值的比例，可提供一个简单的忠诚度指标，也可以使用更复杂的方差度量方法。

2. 时间序列的分解

时间序列数据有长格式和宽格式之分。长格式数据每个分析单元有多个相关行，而大多数基于R的机器学习方法需要宽格式数据，即把重复的行数据转换为重复的列数据。

2.1 构建宽格式数据集

构建宽格式数据集时，首先要确定对预测有用的历史数据量。所需历史数据越多，宽格式数据集中需要添加的列就越多。例如，要预测客户未来一个月的能源使用情况，可能会使用他们前12个月的能源使用数据作为预测因子，以涵盖完整的年度季节性。为了构建预测2023年6月能源使用的模型，可能会创建12个预测列，分别测量2023年5月、4月、3月等，即2023年6月之前12个月的能源使用情况。第13列将是目标或因变量，记录2023年6月的实际能源使用情况。但这种模型只