python - sklearn - Previsión de series de tiempo con scikit learn

onehotencoder onehotencoder categorical_features 1])

Question

Soy un novato completo de las predicciones basadas en SVM y, por lo tanto, busco orientación aquí. Estoy intentando configurar un código python para pronosticar una serie temporal, utilizando las bibliotecas SVM de scikit-learn.

Mis datos contienen valores X con un intervalo de 30 minutos durante las últimas 24 horas, y necesito predecir y para la próxima marca de tiempo. Esto es lo que he configurado:

SVR(kernel=''linear'', C=1e3).fit(X, y).predict(X)

Pero para que esta predicción funcione, necesito el valor X para la próxima marca de tiempo, que no está disponible. ¿Cómo configuro esto para predecir los valores y futuros?

Answer 1

Deberías usar SVR esta manera:

# prepare model and set parameters
svr_model = SVR(kernel=''linear'', C=1e3)
# fit your model with the training set
svr_model.fit(TRAINIG_SET, TAINING_LABEL)
#predict on a test set
svr_model.predict(TEST_SET)

Entonces, el problema aquí es que tiene un conjunto de entrenamiento pero no un conjunto de pruebas para medir la precisión de su modelo. La única solución es usar una parte de su conjunto de entrenamiento como conjunto de prueba ex: 80% for train 20% for test

EDITAR

Espero haber entendido bien lo que quieres de tus comentarios.

Entonces, si desea predecir la próxima etiqueta para la última hora en su conjunto de trenes, aquí hay un ejemplo de lo que quiere:

from sklearn.svm import SVR
import random
import numpy as np

''''''
data: the train set, 24 elements
label: label for each time
''''''

data = [10+y for  y in [x * .5 for x in range(24)]]
label =  [z for z in [random.random()]*24]

# reshaping the train set and the label ...

DATA = np.array([data]).T
LABEL = np.array(label)

# Declaring model and fitting it

clf  = SVR(kernel=''linear'', C=1e3)
clf.fit(DATA, LABEL)

# predict the next label 

to_predict = DATA[DATA[23,0]+0.5]

print clf.predict(to_predict)

>> 0.94407674