2020-11-19

本文介绍定量预测的相关知识

---

前言

提示：这里可以添加本文要记录的大概内容：
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、定量预测是什么？

定量预测，是使用历史数据或因素变量来预测需求的数学模型。概念解释如下：

• 因素变量：即自变量，或者称为解释变量
• 需求：可以理解为因变量，或者被解释变量

二、定量预测的分类

定量预测分为两类：

1. 时序预测法。它是以一个指标历史数据的变化趋势，去寻找该指标的变化规律，从而将该变化规律作为预测的依据（把未来作为过去历史的延伸）。
   *注：该变化规律是用数学表达式来表达的
2. 因果分析法。它包括：

• 一元回归法
• 多元回归法
• 投入产出法

其中，回归预测法是因果分析法中很重要的一种。它从因变量与自变量的历史和现实变化的相互关系中，探索它们之间的规律性联系，作为预测未来的依据。（这句话来自百度百科，看的不太懂）

百度百科的另一个解释：
回归预测(regression forecasting)是回归方程的一项重要应用。所谓预测就是对给定的X值（解释变量），估计Y值（因变量）将落在什么范围（预测是有误差的)。

基于对以上两种定量预测方法的阐述，可以大致得出定量预测问题的处理思路：

1. 已有待预测变量（即上文所说的“指标”）的历史数据：直接使用“时序预测法"：对变量历史数据的变化趋势进行拟合，将拟合结果（即上文所说“变化规律”）作为预测的依据。

• 优点：不涉及其他变量；可选方法多

2. 没有待预测变量的历史数据：无法使用“时序预测法"，只能采取“回归分析法”：先得到解释变量$X_i$和因变量$Y$的历史数据，然后拟合得到回归方程，最后根据解释变量的未来值，预测因变量的未来值。

• 优点：无需知道待预测变量的历史数据
• 缺点：必须得知与因变量处于同一时点的，解释变量的样本值

1.引入库

代码如下（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.读入数据

代码如下（示例）：

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

该处使用的url网络请求的数据。

---

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。