11、集成与时间序列模型的可解释性及应用

集成与时间序列模型的可解释性及应用

1. 集成模型要点回顾

在分类和回归场景中，我们接触了一些基于提升（boosting）的模型。同样，装袋（bagging）分类器也可以进行训练，并输出类似的图形。虽然图形形式不变，但不同模型对数值的解释会有所不同。以下是五个需要注意的要点：
1. 回归场景 ：预测目标列时，根据特征贡献可以了解预测结果的升降情况。改变输入特征，能轻松判断其对目标输出的影响。
2. 分类场景 ：将对数优势比作为连续变量进行预测，依据特征输入值得到预测值。明确重要特征后，就能根据输入特征的变化准确了解预测结果。
3. 模型可视化 ：无论是装袋、提升还是堆叠模型，都可以生成部分依赖图（PDP）、力导向图（force plot）和摘要图（summary plot）等类似框架，以理解模型的决策过程。不过，例如PDP图中显示的模式会有所变化。
4. 图形模式变化原因 ：图形模式的变化是因为模型试图捕捉数据中的复杂模式。随着数据复杂度增加，模型变得更复杂，图形可能难以直观解释，但数值的推断结果保持不变。
5. 模型框架建立 ：重要的是建立一个可用于其他集成模型的框架，而不是关注集成模型的数量。

2. 时间序列模型概述

时间序列模型用于在未来时间段内进行多步预测。有统计模型和基于机器学习的模型可根据历史数据进行未来预测。我们将探讨模型预测的可信度、可解释性等内容。

2.1 时间序列模型的目标与特点