文章 "时间序列挖掘的数据标签（第4部分）：使用标签数据的可解释性分解"

新评论
 

新文章 时间序列挖掘的数据标签（第4部分）：使用标签数据的可解释性分解已发布：

本系列文章介绍了几种时间序列标记方法，这些方法可以创建符合大多数人工智能模型的数据，而根据需要进行有针对性的数据标记可以使训练后的人工智能模型更符合预期设计，提高我们模型的准确性，甚至帮助模型实现质的飞跃！

在本系列的前一篇文章中，我们提到了NHITS模型，其中我们只验证了单个变量输入的收盘价格预测。在这篇文章中，我们将讨论模型的可解释性，以及关于使用多个协变量来预测收盘价格。我们将使用不同的模型NBEATS进行演示，以提供更多的可能性。然而，需要注意的是，本文的重点应该放在模型的可解释性上，并将给出为什么也引入协变量主题的答案。这样你就可以随时使用不同的模型来验证你的想法。当然，这两个模型本质上是高质量的可解释模型，您也可以扩展到其他模型，用我文章中提到的库来验证您的想法。值得一提的是，本系列文章旨在为问题提供解决方案，在直接应用于您的真实交易之前，请仔细考虑，真实交易的实施可能需要更多的参数调整和优化方法，以提供可靠稳定的结果。

作者：Yuqiang Pan

新评论