天天看点

Python环境下一种可解释的机器学习技术-用于分析频域特征的贡献该方法受排列特征重要性分析的启发,旨在从全局角度量化和

作者:哥廷根数学学派

Python环境下一种可解释的机器学习技术-用于分析频域特征的贡献

该方法受排列特征重要性分析的启发,旨在从全局角度量化和分析时间序列预测模型的机理,附带参考论文。

import numpy as np

import matplotlib.pyplot as plt

from xgboost import XGBRegressor

t = np.linspace(0,10, 1000)

x1 = np.sin(2 * np.pi * 10 * t)

x2 = np.sin(2 * np.pi * 20 * t)

x3 = np.cos(2* np.pi * 50 * t)

面包多代码网页链接

X = np.vstack((x1, x2, x3)).T

y = 2*x1+x2+0.5*x3

Python环境下一种可解释的机器学习技术-用于分析频域特征的贡献该方法受排列特征重要性分析的启发,旨在从全局角度量化和
Python环境下一种可解释的机器学习技术-用于分析频域特征的贡献该方法受排列特征重要性分析的启发,旨在从全局角度量化和
Python环境下一种可解释的机器学习技术-用于分析频域特征的贡献该方法受排列特征重要性分析的启发,旨在从全局角度量化和

继续阅读