预测建模

预测建模是一种使用数学和计算方法来预测事件或结果的技术。数学方法使用基于等式的模型来描述所考虑的现象。该模型用于基于对模型输入的更改预测未来某个状态或时间的结果。模型参数有助于解释模型输入如何影响结果。例子包括时间序列回归模型预测航空交通量或预测燃油效率基于一个线性回归模型发动机转速与负载的比值。

计算预测建模方法不同于数学方法，因为它依赖的模型不容易以方程的形式解释，而且经常需要模拟技术来创建预测。这种方法通常被称为“黑箱”预测建模，因为模型结构不能洞察将模型输入映射到结果的因素。例子包括使用神经网络来预测哪些酒庄一种来自或袋装决策树的葡萄酒，用于预测信用评级借款人。

预测建模通常使用曲线和曲面拟合，时间序列回归，或机器学习方法。不管使用哪种方法，创建预测模型的过程在不同的方法之间是相同的。的步骤是:

1. 通过以下方法清理数据去除离群值和处理缺失数据
2. 确定要使用的参数或非参数预测建模方法
3. 将数据预处理成适合所选建模算法的形式
4. 指定用于训练模型的数据子集
5. 训练或估计来自训练数据集的模型参数
6. 进行模型性能或拟合优度测试以检查模型充分性
7. 对不用于校准模型的数据验证预测建模的准确性
8. 如果对模型的性能满意，可以使用该模型进行预测

有关预测建模的更多信息，请参见计量经济学工具箱™,统计和机器学习工具箱™和深度学习工具箱™。