时间序列预测 | 决策树时间序列预测建模，单步、多步（Python）_使用决策树对天猫双十一数据集进行时间序列分析预测

（1）数据读取

import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_absolute_error, mean_squared_error
import numpy as np
data = pd.read_csv(‘wind_dataset.csv’, index_col=0, parse_dates=True)
（2）创建滞后特征

data[‘T.MIN_lag3’] = data[‘T.MIN’].shift(3)
data[‘T.MIN.G_lag3’] = data[‘T.MIN.G’].shift(3)
（3）删除NaN值

data = data.dropna()
（4）拆分数据

train_size = int(len(data) * 0.8)
train, test = data[:train_size], data[train_size:]
X_train = train[[‘RAIN’, ‘T.MAX’, ‘T.MIN_lag3’, ‘T.MIN.G_lag3’]]
y_train = train[‘WIND’]
X_test = test[[‘RAIN’, ‘T.MAX’, ‘T.MIN_lag3’, ‘T.MIN.G_lag3’]]
y_test = test[‘WIND’]
注意：训练集并没有WIND，所以这个算法的意思是：仅仅使用[‘RAIN’, ‘T.MAX’, ‘T.MIN_lag3’, 'T.MIN.G_lag3’去构建一个模型，来预测WIND。个人认为不太行，忽略了WIND