Mihail Marchukajtes#: 你是否知道，有一些训练方法，误差最小化可以无限长，不是靠时间，而是靠实际结果，在训练过程中获得的最小误差不是评价模型通用性的标准。比方说，反向传播方法能够将任何数据上的误差最小化为零，但作为一项规则，这种模型没有泛化能力，在新数据上的表现很差。因此，这种方法将能够在存在矛盾数据的情况下将误差降至零，但在实践中却没有什么用。因此，相信我，训练中的错误最小化并不是训练中的一个充分的方法。
Differencing is a popular and widely used data transform for time series. In this tutorial, you will discover how to apply the difference operation to your time series data with Python. After completing this tutorial, you will know: About the differencing operation, including the configuration of the lag difference and the difference order. How...
当把机器学习方法应用于RUNNING时，几乎不可能对同一组输入变量有相同的因变量。因变量的不同值产生的预测误差需要最小化。
这整个主题是关于最小化预测误差的，阿克萨卡。
平实的真相....
为什么是随机的？
没错。交易所的时间序列不是静止的，但它们绝不是随机的。价格变化总是有原因的，对原因的分析有助于预测价格，而不是对结果的分析！这也是我的观点。
........................给我一个确定的非平稳序列的例子
你是否知道，有一些训练方法，误差最小化可以无限长，不是靠时间，而是靠实际结果，在训练过程中获得的最小误差不是评价模型通用性的标准。比方说，反向传播方法能够将任何数据上的误差最小化为零，但作为一项规则，这种模型没有泛化能力，在新数据上的表现很差。因此，这种方法将能够在存在矛盾数据的情况下将误差降至零，但在实践中却没有什么用。因此，相信我，训练中的错误最小化并不是训练中的一个充分的方法。
胡说八道
为什么是随机的？
时间序列是确定性的，随机的和随机的。没有其他人了。根本就没有。
外汇和股票报价 - 什么样的系列？
如果这正是你的想法，我明白你的想法，你可以采取任何功能，如。
a[1]*x^0+a[2]*x^1+......。+ A [N]*X^N，一般来说是泰勒级数（函数级数），除了A[i]>0，对于所有i=1...N，一般来说，它给出了第一导数的恒定增长，说得很清楚，所以
如何用Python对时间序列数据集进行差异化处理
如何对时间序列预测的机器学习模型进行回测
是的，网络上的东西...通过对季节性和其他更重要的事件的修正，混淆了时间...
...和的次数。
因此，差分的过程可以重复多次，直到所有的时间依赖性都被消除。
进行差分的次数被称为差分顺序。
p.s.
我也会看看这里 的链接（谢谢你的文章）。
时间序列是确定性的，随机的和随机的。没有其他人了。根本就没有。
外汇和股票价格 - 什么样的系列？
我并不擅长...
如果我没有弄错的话：就概率论而言，报价是一个随机的、非随机的过程。
但我并不同意这一点。
我并不擅长这个。
如果我没有弄错的话：就概率论而言，报价是一个随机的、非平稳的过程。
但我不同意这一点。
为什么不呢？
为什么？
我有几个论点，但不需要从概率论的角度考虑，只需考虑人类的推理。
1）所有为处理随机/非静止/静止.....任何 系列而发明的数学方法对报价都不起作用，为什么？
2）这个过程是由人组织的，从其他人那里拿钱，它不可能随机工作，我相信这个过程是确定的，但它很复杂......
还有其他的观点，但当我开始写的时候，我就忘了......。
我有几个论点，但不应该从概率论的角度来考虑，而只是人的推理。
1）所有为处理随机/非静止/静止.....任何 系列而发明的数学方法对报价都不起作用，为什么？
2）这个过程是由人组织的，从其他人那里拿钱，它不可能随机工作，我相信这个过程是确定的，但它很复杂......
我有更多的观点，但当我开始写的时候，它们就忘了......。
1.所有关于非稳态过程的数学方法都是萨满教。因为你只能根据过去来预测未来，如果未来不取决于过去--基于过去的预测是不可行的。
因此，方法、模型等的选择不发挥任何作用--只有输入变量的正确选择。
你不需要再往前走了。