小编Ale*_*lex的帖子

我有一个关于时间序列和 SVM 的问题。我问过强大的互联网，但不幸的是，信息很少，而且主要与交易数据有关。

我的情况如下：目前我尝试从 Arima 预测转向更复杂的模型。目前我尝试理解和实现一个 SVM 模型。我找到了一些关于亚洲汽车在美国市场的月销量数据。现在我用这些数据做实验。

首先，我通过两种不同的例程使用 SVR / SVM 进行时间序列预测。接下来，我在相同的数据上实现了一个绝对简单的 auto.arima。最后我比较了这 3 种方法的残差。

我的问题是：这些实现我是否朝着正确的方向前进？如何改进 SVM 模型？除了财务数据，还有更多关于预测的信息吗？

让我们从一个小的变通方法开始构建我的输入矩阵（来自 goodcarbadcar.net 的数据）：

library(zoo)
library(e1071)
library(quantmod)
library(kernlab)
library(caret)
library(forecast)

Date <-c( "2010-01-01", "2010-02-01", "2010-03-01", "2010-04-01", "2010-05-01", "2010-06-01", "2010-07-01", "2010-08-01", "2010-09-01",
    "2010-10-01", "2010-11-01", "2010-12-01", "2011-01-01", "2011-02-01", "2011-03-01", "2011-04-01", "2011-05-01", "2011-06-01",
    "2011-07-01", "2011-08-01", "2011-09-01", "2011-10-01", "2011-11-01", "2011-12-01", "2012-01-01", "2012-02-01", "2012-03-01",
    "2012-04-01", "2012-05-01", "2012-06-01", "2012-07-01", "2012-08-01", "2012-09-01", "2012-10-01", "2012-11-01", "2012-12-01",
    "2013-01-01", "2013-02-01", "2013-03-01", "2013-04-01", "2013-05-01", "2013-06-01", "2013-07-01", "2013-08-01", "2013-09-01",
    "2013-10-01", "2013-11-01", "2013-12-01", "2014-01-01", "2014-02-01", …

我有一个元组和单个浮点数的列表

v = [(1., 2., 3.), (4., 5.), 6., 7.]\n

现在我想用旧的列表理解来压平它

[item for sublist in v for item in sublist]\n

但是，由于单个浮点不可迭代，因此会发生错误。展开这个混合列表的最有效方法是什么？我尝试遍历列表并使用，isininstance()但再一次，该列表不可迭代。

编辑：到目前为止的时间比较

\n
• 使用 hstack 的 numpy 方法：6.49 \xc2\xb5s \xc2\xb1 每个循环 100 ns
\n
• hasattr 方法：398 ns \xc2\xb1 每个循环 2.11 ns
\n
• 集合方法：804 ns \xc2\xb1 每个循环 1.27 ns
\n