详细内容或原文请订阅后点击阅览
时间序列预测变得简单（第3.2部分）：深入研究基于黄土的平滑
探索STL如何使用黄土平滑来提取趋势和季节性组件。帖子时间序列预测变得简单（第3.2部分）：深入研究基于黄土的平滑，首先出现在数据科学上。
来源:走向数据科学在第3.1部分中，我们开始讨论如何将时间序列数据分解为趋势，季节性和残留组件，并且由于它是一种基于平滑的技术，这意味着我们需要对STL进行趋势和季节性的粗略估计才能进行平滑。
第3.1部分为此，我们通过使用中心移动平均方法来计算趋势的粗略估计，然后通过使用这种初始趋势，我们还计算了初始季节性。 （第3.1部分讨论了详细的数学）
在这一部分中，我们旁边实现了黄土（本地估计的散点图平滑）方法，以获取时间序列的最终趋势和季节性组成部分。
loess（本地估计的散点图平滑）方法在第3.1部分的结尾，我们有以下数据：
由于我们拥有居中的季节性组件，下一步是从原始时间序列中减去季节性的系列。
我们得到了一系列估算的值，我们知道这既包含趋势和残留成分。
现在，我们在这个季节性的系列上应用黄土（本地估计的散点图平滑）。
在这里，我们旨在了解黄土技术背后的概念和数学。为此，我们考虑了从季节性化系列中的单个数据点，并逐步实施黄土，观察价值的变化。
在理解黄土背后的数学之前，我们会尝试了解黄土平滑过程中实际所做的事情。
loess是类似于简单线性回归的过程，但是这里的唯一区别是，我们将权重分配给点，使得靠近目标点的点会增加重量，并且离目标点更远。
我们可以称其为加权简单的线性回归。
在这里，目标点是对黄土平滑的点，在此过程中，我们选择一个α值，该值范围在0到1之间。
主要是我们使用0.3或0.5作为alpha值。