Python机器学习/深度学习程序全家桶 —— 2026重磅更新,回归预测模型全面升级!
- 2026-07-02 16:43:57
Python机器学习/深度学习程序全家桶 —— 2026重磅更新,回归预测模型全面升级!
Python机器学习/深度学习程序全家桶 —— 2026重磅更新，回归预测模型全面升级！
★作者：机器学习之心仿真平台：Anaconda + PyCharm + Python保姆级注释，几乎一行一注释，方便小白入门学习！
”
前言
大家好，我是机器学习之心。
此前，我已经为大家推出了【Python机器学习/深度学习程序全家桶】，涵盖智能优化算法、单/双重分解算法、残差修正、降噪、统计模型、常规机器学习算法、KAN组合模型等100多个Python代码，受到了广大读者的热烈欢迎。
今天，我非常高兴地宣布——全家桶2026年重磅更新来了！
本次更新全新加入了25+个回归预测模型，覆盖传统机器学习、深度学习、CNN-RNN混合架构以及前沿KAN网络，代码总量进一步扩充，内容更加丰富，但售价保持不变，依然100元！
下面，让我为大家详细介绍本次更新的全部内容。
一、全家桶现有内容回顾
在介绍新内容之前，先带大家回顾一下全家桶已有的丰富内容：
1. 智能优化算法（25+个）
涵盖PSO、GWO、WOA、SSA、HHO、DBO、AVOA、SBO、ARO、AHA等25+种智能优化算法与LSTM/BiGRU的结合模型，包括粒子群优化LSTM、灰狼优化LSTM、鲸鱼优化LSTM、麻雀搜索优化LSTM、蜣螂优化LSTM、人工蜂鸟优化LSTM、非洲秃鹫优化BiGRU等。
2. 单分解算法（15+个）
包括EMD-LSTM、EEMD-LSTM、CEEMDAN-LSTM、VMD-LSTM、VMD-GRU、VMD-BP、VMD-SSA-LSTM、VMD-DBO-LSTM、CEEMDAN-CNN-LSTM、CEEMDAN-CNN-BiLSTM-Attention、TVF-EMD-LSTM等单分解与预测模型的组合。
3. 双重分解算法（15+个）
涵盖EMD-VMD-LSTM、EMD-SSA-VMD-LSTM、CEEMDAN-VMD-LSTM、CEEMDAN-VMD-GRU、CEEMDAN-VMD-CNN-GRU、CEEMDAN-VMD-DBO-LSTM、CEEMDAN-ABC-VMD-LSTM、CEEMDAN-BWO-VMD-BWO-LSTM、LMD-VMD-LSTM等双重分解组合模型。
4. 残差修正模型（7+个）
包括ARIMA-LSTM、ARIMA-CNN-LSTM、ARIMA-LSTM-Attention、ARIMA-SSA-LSTM、ARIMA-WOA-LSTM、ARIMA-WOA-CNN-LSTM、LSTM-MLP等残差修正组合模型。
5. 统计模型与降噪算法
包含SARIMA、ARIMA等统计时间序列模型，以及多种降噪算法。
6. 常规机器学习模型（12+个）
涵盖SVR、RF、XGBoost、LightGBM、CatBoost、GBDT、ELM、KELM、KNN、MLP、LSSVM等单模型及多模型对比代码。
7. KAN组合模型（PyTorch）
基于Kolmogorov-Arnold Networks（KAN）的前沿组合模型，将KAN与LSTM、GRU、BiLSTM、TCN、Transformer等网络结合，适合作为创新点。
8. 2026年新增模型
GRU-Informer混合架构：基于GRU与Informer混合架构的时间序列预测，主要用于处理多变量时间序列的短期预测任务，已更新到Python机器学习/深度学习程序全家桶 强化学习动态权重组合：强化学习驱动的光伏功率时间序列预测：LSTM与GRU动态权重组合方法，已更新到Python机器学习/深度学习程序全家桶
二、2026全新更新 —— 回归预测模型专场
本次更新是全家桶自发布以来最大规模的一次扩充，全新加入了25+个回归预测模型，统一数据集进行演示，覆盖从经典机器学习到前沿深度学习的完整技术路线。
仿真环境
| 仿真平台 | |
| 深度学习框架 | |
| 数据集 | |
| 数据预处理 | |
| 数据划分 | |
| 评估指标 | |
| 注释风格 |
2.1 传统机器学习回归模型（9个）
本次更新加入了9个经典的传统机器学习回归模型，基于scikit-learn和XGBoost框架实现，适合快速建模和基线对比。
| BP神经网络 | |||
| SVR支持向量回归 | |||
| RBF径向基核回归 | |||
| CART决策树回归 | |||
| 随机森林回归 | |||
| XGBoost回归 | |||
| 梯度提升回归 | |||
| Bagging集成回归 | |||
| ELM极限学习机 |
技术特点：
所有模型统一使用 MinMaxScaler进行数据归一化评估指标通过 PrettyTable格式化输出，清晰美观每个模型均输出预测值vs真实值对比折线图（300dpi高清） ELM为纯NumPy手写实现，包含完整的隐含层类和伪逆求解逻辑 XGBoost使用独立库，超参数调优最为精细
2.2 深度学习回归模型（8个）
基于TensorFlow/Keras框架，涵盖LSTM、GRU及其双向变体和注意力机制增强版本。
| LSTM | ||||
| LSTM-Attention | ||||
| GRU | ||||
| GRU-Attention | ||||
| BiLSTM | ||||
| BiLSTM-Attention | ||||
| BiGRU | ||||
| BiGRU-Attention |
技术特点：
使用Keras函数式API构建，结构清晰，易于修改 自定义Softmax注意力层：Permute维度交换 → Dense(softmax)计算权重 → Multiply加权融合 深度学习模型额外输出训练/验证损失曲线，便于监控训练过程 双向变体（BiLSTM/BiGRU）同时捕获前向和后向时序信息 所有模型均使用 selu激活函数，训练更稳定
2.3 CNN-RNN混合深度学习模型（8个）
将一维卷积神经网络（CNN）与循环神经网络（RNN）相结合，CNN负责提取局部空间特征，RNN负责捕获时序依赖关系，是时间序列预测中的经典混合架构。
| CNN-LSTM | ||||
| CNN-LSTM-Attention | ||||
| CNN-GRU | ||||
| CNN-GRU-Attention | ||||
| CNN-BiLSTM | ||||
| CNN-BiLSTM-Attention | ||||
| CNN-BiGRU | ||||
| CNN-BiGRU-Attention |
技术特点：
CNN使用 Conv1D + MaxPooling1D提取一维特征，ReLU激活通过 Reshape层将CNN输出适配RNN输入格式双向变体进一步增强了时序特征提取能力 CNN与注意力机制的结合，实现了"空间特征提取 → 时序建模 → 关键信息聚焦"的完整流程 同样输出训练/验证损失曲线和预测对比图
2.4 KAN前沿混合模型（1个主程序，10+可选架构）
基于PyTorch框架，实现了基于Kolmogorov-Arnold表示定理的新型KAN网络与多种经典网络的结合。KAN将激活函数放在权重上，使用B-spline基函数参数化可学习的激活函数，是近两年最具创新性的网络架构之一。
支持的模型架构（通过修改参数即可切换）：
技术特点：
基于B-spline基函数的高效KAN实现（ KANLinear+KAN类）支持动态网格更新（ update_grid），自适应调整样条网格L1正则化 + 熵正则化，防止过拟合 支持单输出和多输出回归（通过 n_out参数控制）训练300个epoch，Adam优化器，学习率0.01 隐藏维度120，2层，grid_size=200，dropout=0.2 包含训练时间统计，方便评估计算效率 此程序与其他回归程序不同，基于PyTorch构建
三、代码质量与使用体验
3.1 保姆级注释
所有代码均采用几乎一行一注释的风格，每一步操作都有详细的中文说明，即使是Python初学者也能轻松理解代码逻辑。
# 导入环境中的相关包
import numpy as np # 导入NumPy库
import pandas as pd # 导入Pandas库
import matplotlib.pyplot as plt # 导入Matplotlib库
from sklearn.preprocessing import MinMaxScaler # 导入最小最大归一化器
from sklearn.metrics import mean_squared_error # 导入均方误差
3.2 统一的评估体系
所有模型使用统一的评估指标和可视化方案：
评估指标：MSE、RMSE、MAE、MAPE、R²，通过PrettyTable格式化输出 可视化：预测值vs真实值折线对比图（8×2英寸，300dpi高清，Times New Roman字体） 深度学习模型额外输出：训练/验证损失曲线
3.3 开箱即用
附赠数据集，下载即可运行 数据预处理、模型构建、训练、评估、可视化一条龙完成 只需替换数据集路径，即可应用于自己的回归预测任务
3.4 多框架覆盖
| scikit-learn | ||
| XGBoost | ||
| TensorFlow/Keras | ||
| PyTorch | ||
| NumPy |
四、全家桶完整内容总览
更新后的全家桶包含以下全部内容：
| 回归预测模型（新增） | 25+ | sklearn+TF+PyTorch | 传统ML+DL+CNN-RNN+KAN全覆盖 |
| 合计 | 120+ | 持续更新中 |
五、适用场景
全家桶代码适用于以下回归预测和时间序列预测场景：
能源领域：光伏功率预测、风电功率预测、负荷预测 交通领域：交通流量预测、共享单车需求预测、出租车需求预测 环境领域：空气质量预测（PM2.5、浓度预测）、水质预测 金融领域：股票价格预测、期货价格预测 工业领域：设备故障预测、机械寿命预测、温度预测 气象领域：温度预测、降雨量预测 其他领域：任何涉及连续数值预测的回归任务
六、代码获取
售价：100元（内容大幅升级，价格不变！）
获取方式：
方法一： 直接点击底部 "阅读原文"
方法二： PC端点击下载（推荐复制代码链接到电脑端浏览器，使用某F宝下单，点击付费内容直接下载代码）：https://mbd.pub/o/bread/mbd-ZZuVlZZv
也可扫描二维码：
部分代码
#!/usr/bin/env python# coding: utf-8# In[1]:# 导入环境中的相关包import itertools # 导入迭代工具模块import numpy as np # 导入NumPy库import pandas as pd # 导入Pandas库import matplotlib.pyplot as plt # 导入Matplotlib库from matplotlib.ticker import MultipleLocator # 导入刻度定位器import warnings # 导入警告模块from statsmodels.graphics.tsaplots import plot_acf, plot_pacf # 导入自相关图和偏自相关图绘制函数from statsmodels.stats.diagnostic import acorr_ljungbox # 导入Ljung-Box检验函数from statsmodels.tsa.statespace.sarimax import SARIMAX # 导入SARIMAX模型from sklearn.metrics import r2_score, mean_absolute_error, mean_squared_error # 导入评估指标函数from statsmodels.tsa.stattools import adfuller # 导入ADF检验函数import math # 导入数学函数库#更多模型咸鱼搜索机器学习之心，支持模型定制import seaborn as sns # 导入Seaborn库import statsmodels.api as sm # 导入Statsmodels库import tensorflow as tf # 导入TensorFlow库from pmdarima import auto_arima # 导入自动ARIMA模型选择函数from statsmodels.tsa.seasonal import seasonal_decompose #导入分解函数from scipy.signal import find_peaks #用于查找信号中峰值（波峰）位置的函数# In[2]:# 显示中文plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置字体为SimHeiplt.rcParams['figure.figsize'] = (10.0, 8.0) # 设置默认图像大小为10x8英寸plt.rcParams['image.interpolation'] = 'nearest' # 设置图像插值方式为最近邻插值plt.rcParams['image.cmap'] = 'gray' # 设置图像颜色映射为灰度图#更多模型咸鱼搜索机器学习之心，支持模型定制# In[3]:# 忽略警告warnings.filterwarnings('ignore')# In[4]:#更多模型咸鱼搜索机器学习之心，支持模型定制# In[5]:df = pd.read_csv("A.csv", header=0, parse_dates=[0], index_col=0, usecols=[0, 1]) #读取数据df.head()#显示数据前5行# In[6]:# 创建一个分辨率为150点每英寸（dpi），尺寸为15x3英寸的图形和轴对象#更多模型咸鱼搜索机器学习之心，支持模型定制fig, ax = plt.subplots(dpi=150, figsize=(15, 3))# 使用线宽为1，在'ax'轴对象上绘制'dataframe'中的数据df.plot(ax=ax, linewidth=1)# 设置图形的标题为'A'ax.set_title('A')# 设置y轴的标签为'A'ax.set_ylabel('A')# 设置x轴的标签为'time/day'ax.set_xlabel('time/day')# 设置字体样式为'Times New Roman'，字体大小为10font = {'serif': 'Times New Roman', 'size': 10}plt.rc('font', **font)# 显示图形plt.show()# In[7]:data = df['A'].values# 计算自相关系数correlation = np.correlate(data, data, mode='full')# In[8]:# 绘制自相关图plt.plot(correlation)#更多模型咸鱼搜索机器学习之心，支持模型定制plt.title('自相关图')plt.xlabel('滞后')plt.ylabel('相关性')plt.show()# In[9]:# 找到波峰的位置并计算波峰之间的距离peaks, _ = find_peaks(correlation)peak_distances = np.diff(peaks)estimated_period = np.mean(peak_distances)print("估计周期为:", estimated_period)# In[10]:# 进行季节性分解result = seasonal_decompose(df['A'], model='multiplicative', period=int(estimated_period))# 绘制分解图plt.figure(figsize=(12, 8))plt.subplot(411)plt.plot(df['A'], label='Original')plt.legend(loc='upper left')#更多模型咸鱼搜索机器学习之心，支持模型定制plt.subplot(412)plt.plot(result.trend, label='Trend')plt.legend(loc='upper left')plt.subplot(413)plt.plot(result.seasonal, label='Seasonal')plt.legend(loc='upper left')#更多模型咸鱼搜索机器学习之心，支持模型定制plt.subplot(414)plt.plot(result.resid, label='Residual')plt.legend(loc='upper left')plt.tight_layout()plt.show()# In[11]:#定义稳定性检验函数def adf_val(ts, ts_title):# 计算ADF检验值adf, pvalue, usedlag, nobs, critical_values, icbest = adfuller(ts)# 定义指标的名称和对应的值name = ['adf', 'pvalue', 'usedlag', 'nobs', 'critical_values', 'icbest']values = [adf, pvalue, usedlag, nobs, critical_values, icbest]# 打印各项指标的名称和对应的值print(list(zip(name, values)))# 返回ADF值、p值和临界值return adf, pvalue, critical_values# 返回adf值、adf的p值、三种状态的检验值#更多模型咸鱼搜索机器学习之心，支持模型定制# In[12]:#白噪声检验也称为纯随机性检验，当数据是纯随机数据时，再对数据进行分析就没有任何意义了，所以拿到数据后最好对数据进行一个纯随机性检验。def acorr_val(ts):'''# 白噪声（随机性）检验ts: 时间序列数据，Series类型返回白噪声检验的P值'''#更多模型咸鱼搜索机器学习之心，支持模型定制lb_test_results = acorr_ljungbox(ts, lags=2) # 白噪声检验结果return lb_test_results # 返回白噪声检验的统计量值和P值# In[13]:def tsplot(y, lags=None, figsize=(14, 8)):fig = plt.figure(figsize=figsize) # 创建绘图窗口，设置尺寸为figsizelayout = (2, 2) # 子图布局为2行2列ts_ax = plt.subplot2grid(layout, (0, 0)) # 创建时间序列图的子图对象hist_ax = plt.subplot2grid(layout, (0, 1)) # 创建直方图的子图对象acf_ax = plt.subplot2grid(layout, (1, 0)) # 创建自相关图的子图对象pacf_ax = plt.subplot2grid(layout, (1, 1)) # 创建偏自相关图的子图对象y.plot(ax=ts_ax) # 绘制时间序列图ts_ax.set_title('A Given Training Series') # 设置时间序列图标题y.plot(ax=hist_ax, kind='hist', bins=25) # 绘制直方图hist_ax.set_title('Histogram') # 设置直方图标题plot_acf(y, lags=lags, ax=acf_ax) # 绘制自相关图plot_pacf(y, lags=lags, ax=pacf_ax) # 绘制偏自相关图[ax.set_xlim(0) for ax in [acf_ax, pacf_ax]] # 设置自相关图和偏自相关图x轴刻度起点为0sns.despine() # 移除图形顶部和右侧的边框fig.tight_layout() # 调整子图布局和间距fig.show() # 显示图形return ts_ax, acf_ax, pacf_ax # 返回坐标轴对象#更多模型咸鱼搜索机器学习之心，支持模型定制# In[14]:ts_data = df.astype('float32') # 将DataFrame df的数据类型转换为'float32'类型，以确保时间序列数据为浮点数类型# In[15]:#adf结果为-10.4， 小于三个level的统计值。pvalue也是接近于0 的，所以是平稳的#更多模型咸鱼搜索机器学习之心，支持模型定制adf, pvalue1, critical_values = adf_val(ts_data, 'raw time series')print('adf',adf)print('pvalue1',pvalue1)print('critical_values',critical_values)#若p值远小于0.01，认为该时间序列是平稳的aco=acorr_val(ts_data)print('aco',aco)# In[16]:diff1 = ts_data.diff()#对ts_data数据框进行一阶差分操作，即每个时间点的值减去前一个时间点的值，得到的差分结果赋值给变量diff1。#画出一阶差分后的数据#更多模型咸鱼搜索机器学习之心，支持模型定制plt.figure(figsize=(12,3))plt.plot(diff1, 'blue', label='diff1')plt.title('diff1')plt.xlabel('time')plt.ylabel('price')plt.legend()plt.show()# In[17]:'''将diff1中的缺失值（NaN）用0进行填充，得到填充后的差分结果。然后，将差分结果中的正无穷和负无穷值（Inf）用0进行替换，得到最终处理后的差分结果。这两行代码的目的是处理差分结果中可能出现的异常值。'''diff1[np.isnan(diff1)] = 0diff1[np.isinf(diff1)] = 0# In[18]:#对差分后的数据再次进行检验adf, pvalue1, critical_values = adf_val(diff1, 'raw time series')print('adf',adf)print('pvalue1',pvalue1)print('critical_values',critical_values)aco=acorr_val(ts_data)print('aco',aco)# In[19]:diff2 = ts_data.diff().diff()#对ts_data数据框进行二阶差分操作。#更多模型咸鱼搜索机器学习之心，支持模型定制plt.figure(figsize=(12,3))plt.plot(diff2, 'r', label='diff2')plt.title('diff2')plt.xlabel('time')plt.ylabel('price')plt.legend()plt.show()# In[20]:'''将diff2中的缺失值（NaN）用0进行填充，得到填充后的差分结果。然后，将差分结果中的正无穷和负无穷值（Inf）用0进行替换，得到最终处理后的差分结果。这两行代码的目的是处理差分结果中可能出现的异常值。'''diff2[np.isnan(diff2)] = 0diff2[np.isinf(diff2)] = 0# In[21]:#对二次差分结果进行检验adf, pvalue1, critical_values = adf_val(diff2, 'raw time series')print('adf',adf)print('pvalue1',pvalue1)print('critical_values',critical_values)aco=acorr_val(ts_data)print('aco',aco)#更多模型咸鱼搜索机器学习之心，支持模型定制# In[22]:##自相关和偏自相关tsplot(ts_data, lags=20)#更多模型咸鱼搜索机器学习之心，支持模型定制# In[23]:train_data, test_data = df[0:int(len(df)*0.8)], df[int(len(df)*0.8):] # 划分训练集和测试集，按照80:20比例# In[24]:#取划分的数据train_ar = train_data.values # 将训练集数据转换为 NumPy 数组test_ar = test_data.values # 将测试集数据转换为 NumPy 数组# In[ ]:# '''# 使用 auto_arima 函数对训练集数据 train_data 进行自动ARIMA模型拟合。# 设置 seasonal=True 表示考虑季节性，m=12 表示季节性周期为12个时间步长。# max_p=7、max_d=2、max_q=7 分别表示自回归、差分和移动平均部分的最大阶数。# max_P=4、max_D=4、max_Q=4 分别表示季节性自回归、差分和移动平均部分的最大阶数。# 使用 .summary() 方法输出ARIMA模型的摘要信息。# '''# auto_arima(train_data, seasonal=True, m=12,max_p=7, max_d=2,max_q=7, max_P=4, max_D=4,max_Q=4).summary()# In[ ]:# In[25]:def best_sarima_model(train_data, p, q, P, Q, d=1, D=1, s=12):best_model_aic = np.Inf # 初始化最佳模型的 AIC 值为正无穷大best_model_bic = np.Inf # 初始化最佳模型的 BIC 值为正无穷大best_model_hqic = np.Inf # 初始化最佳模型的 HQIC 值为正无穷大best_model_order = (0, 0, 0) # 初始化最佳模型的阶数models = [] # 用于存储所有拟合的模型#更多模型咸鱼搜索机器学习之心，支持模型定制# 遍历所有可能的阶数组合for p_ in p:for q_ in q:for P_ in P:for Q_ in Q:#更多模型咸鱼搜索机器学习之心，支持模型定制try:no_of_lower_metrics = 0 # 记录优于当前最佳模型指标的个数model = SARIMAX(endog=train_data, order=(p_, d, q_), seasonal_order=(P_, D, Q_, s),enforce_invertibility=False).fit() # 拟合 SARIMA 模型models.append(model) # 存储拟合的模型# 计算模型指标并与当前最佳模型进行比较if model.aic <= best_model_aic:no_of_lower_metrics += 1if model.bic <= best_model_bic:no_of_lower_metrics += 1if model.hqic <= best_model_hqic:#更多模型咸鱼搜索机器学习之心，支持模型定制no_of_lower_metrics += 1# 如果有至少两个指标优于当前最佳模型，则更新最佳模型的指标和阶数if no_of_lower_metrics >= 2:best_model_aic = np.round(model.aic, 0)best_model_bic = np.round(model.bic, 0)best_model_hqic = np.round(model.hqic, 0)best_model_order = (p_, d, q_, P_, D, Q_, s)current_best_model = modelmodels.append(model)#更多模型咸鱼搜索机器学习之心，支持模型定制print("Best model: SARIMA" + str(best_model_order) +" AIC:{} BIC:{} HQIC:{}".format(best_model_aic, best_model_bic, best_model_hqic) +" resid:{}".format(np.round(np.exp(current_best_model.resid).mean(), 3)))except:passprint('\n')print(current_best_model.summary()) # 输出最佳模型的详细信息return current_best_model, models# 调用 best_sarima_model 函数，传入训练数据 train_ar 和参数候选值# 将返回的最佳模型赋值给 best_model，将所有拟合的模型列表赋值给 modelsbest_model, models = best_sarima_model(train_data=train_ar, p=range(3), q=range(3), P=range(3), Q=range(3))# In[ ]:# In[ ]:# 定义 p、d、q 的取值范围p = range(0, 3)d = range(0, 1)q = range(0, 3)#更多模型咸鱼搜索机器学习之心，支持模型定制#更多模型咸鱼搜索机器学习之心，支持模型定制# 生成 pdq 参数组合pdq = list(itertools.product(p, d, q))# 生成 seasonal_pdq 参数组合seasonal_pdq = [(x[0], x[1], x[2], 12) for x in list(itertools.product(p, d, q))]#更多模型咸鱼搜索机器学习之心，支持模型定制min_aic = 999999999# 遍历 pdq 参数组合和 seasonal_pdq 参数组合for param in pdq:for param_seasonal in seasonal_pdq:try:# 创建 SARIMAX 模型并拟合训练数据mod = sm.tsa.statespace.SARIMAX(train_ar,order=param,seasonal_order=param_seasonal,enforce_stationarity=False,enforce_invertibility=False)results = mod.fit()# 打印模型的 AIC 值print('ARIMA{}x{}12 - AIC:{}'.format(param, param_seasonal, results.aic))# 更新最小 AIC 值和对应的模型if results.aic < min_aic:min_aic = results.aicmin_aic_model = resultsexcept:continue#更多模型咸鱼搜索机器学习之心，支持模型定制# 打印具有最小 AIC 值的模型的摘要信息print(min_aic_model.summary())# In[ ]:# In[26]:# 构建训练数据history = [x for x in train_ar] # 使用训练数据初始化历史数据列表predictions = list() # 初始化预测结果列表#更多模型咸鱼搜索机器学习之心，支持模型定制# 训练ARIMA模型并进行预测for t in range(len(test_ar)): # 遍历测试数据集的每个时间步model = sm.tsa.SARIMAX(history, order=(2, 1, 1), seasonal_order=(2, 1, 2, 12), enforce_invertibility=False) # 构建SARIMAX模型model_fit = model.fit() # 拟合模型output = model_fit.forecast() # 模型预测yhat = output[0] # 获取预测结果#更多模型咸搜索机器学习之心，支持模型定制predictions.append(yhat) # 将预测结果添加到预测结果列表中obs = test_ar[t] # 获取当前观测值history.append(obs) # 将当前观测值添加到历史数据列表中print('predicted=%f, expected=%f' % (yhat, obs)) # 打印预测值和真实值# In[27]:testScore = math.sqrt(mean_squared_error(test_ar, predictions)) # 计算均方根误差（RMSE）print('RMSE %.3f' % testScore) # 打印RMSE值#更多模型咸鱼搜索机器学习之心，支持模型定制testScore = r2_score(test_ar, predictions) # 计算R平方值（R2）print('R2 %.3f' % testScore) # 打印R2值#更多模型咸鱼搜索机器学习之心，支持模型定制testScore = mean_absolute_error(test_ar, predictions) # 计算平均绝对误差（MAE）print('MAE %.3f' % testScore) # 打印MAE值# In[28]:#只显示预测部分，不显示训练数据部分plt.figure(figsize=(12, 7)) # 创建绘图窗口，设置尺寸plt.plot(test_data.index, predictions, color='b', marker='o', linestyle='dashed', label='Predicted') # 绘制预测结果曲线plt.plot(test_data.index, test_data, color='red', label='Actual') # 绘制真实值曲线plt.title('SARIMA') # 设置图标题plt.xlabel('time') # 设置x轴标签plt.ylabel('A') # 设置y轴标签plt.legend() # 显示图例plt.show() # 显示图形# In[ ]:# In[ ]:
七、写在最后
本次2026更新是全家桶发布以来规模最大的一次内容扩充，新增25+个回归预测模型，覆盖了从传统机器学习到前沿KAN网络的完整技术栈。无论你是：
科研小白：保姆级注释，一行一注释，轻松入门 硕博研究生：丰富的模型组合，快速产出论文实验结果 工程从业者：开箱即用的代码，直接替换数据即可落地 算法爱好者：从经典到前沿，一套代码全部搞定
全家桶120+个代码，售价仅需100元，平均每个代码不到1元，绝对是性价比之选！
★更多模型CSDN搜索"机器学习之心"，支持模型定制！
”
请尊重劳动成果，转载请注明本文链接及文章作者：机器学习之心
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
