标准化时间序列 - Scikit

Question

我有：

1. 3 维基百科文章访问计数（每周）(A-B-C)
2. 地面实况数据（每周）
3. 维基百科英文文章总流量（每周）

我的目的是，使用 3 条维基百科文章访问次数构建多元线性回归，并尝试预测未来的真实数据。

在开始构建多元线性回归之前，我想对我的 3 个维基百科访问计数数据进行一些预处理（归一化或缩放）。

我的数据格式是这样的。

    date     | A (x1)     | B (x2)  |  C (x3) | total_en     | ground truth(y)

 01/01/2008  |   5611     |   606   |    376  |  1467923911  | 3.13599886
 08/01/2008  |   8147     |   912   |    569  |  1627405409  | 2.53335614
 15/01/2008  |   9809     |   873   |    597  |  1744099880  | 2.91287713
 22/01/2008  |   12020    |   882   |    600  |  1804646235  | 3.44497102  
 ...         |    ...     |   ...   |    ...  |    ...       | ...

如果没有标准化，我会像这样构建我的多元线性回归。

wiki3.shape = (150,3) // 使用 numpy 数组包含 A-B-C 文章

ground_truth = (150,1) // 在 numpy 数组中包含地面实况数据

X_train, X_test, y_train, y_test = cross_validation.train_test_split(wiki3, ground_truth, test_size=0.3, random_state=1)

model = linear_model.LinearRegression()
model.fit(X_train, y_train)

predictions = model.predict(X_test)

我的问题是为了获得更好的结果如何标准化/缩放我的 x1、x2、x3 和 y 数据？

我应该用英文文章的总流量来规范每篇文章还是应该使用其他方式？

K-Fold 交叉验证是否适用于时间序列？

谢谢。

Answer 1

要扩展您的数据，您可以使用sklearn.preprocessing.scale。如果date 是你的index，它就像wiki3_scaled = scale(wiki3) 一样简单（如果不是，那么date 也会被缩放，你可能不想要）。

使用total_en 标准化是一个建模决策。如果你有理由相信A / total_en 是比A 更好的功能，那就去吧。更好的是，两者都试试。

如果您尝试从同一天的 A、B 和 C 预测 ground truth，那么这并不是真正的时间序列问题，k-Fold 交叉验证当然是明智的。如果您试图从今天的A、B、C、ground truth 以及各自的滞后变量预测未来的ground truth，那么我不明白为什么您不能交叉验证任何一个;只是要小心设置它，以便您在历史上进行训练并针对未来进行交叉验证。

您可能会在 Cross Validated 上获得有关这些建模决策的更好答案，因为 StackOverFlow 更侧重于编程。