第 1 部分：利用线性回归和决策树来估算时间序列差距。
时间序列分析中的缺失数据— 听起来很熟悉吗？
由于传感器、传输或任何类型的维护故障而导致数据集中丢失的数据对您来说是不是太熟悉了？
嗯，缺失值会破坏您的预测并扭曲您的分析。
那么，你如何解决它们呢？
传统方法可能看起来像解决方案前向填充或插值 –但这够了吗？
当您的数据具有复杂模式、非线性趋势或高变异性时会发生什么？简单的技术可能会失败并导致结果不稳定。
如果有更明智的方法来应对这一挑战怎么办？
机器学习就是这样做的：从通过 K 最近邻的回归分析到神经网络，神经网络不做任何假设，只是精确地适应和填补空白。
好奇的？让我们更深入地了解这些先进方法将如何改变您的时间序列分析。
我们将使用您可以轻松生成的数据集来估算缺失的数据……