全文下载链接： /?p=27042
最近我们被客户要求撰写关于新冠疫情的研究报告，包括一些图形和统计输出。
在本文中，该数据根据世界各国提供的新病例数据提供。
获取时间序列数据
df=_csv("C://")探索数据
此表中的数据以累积的形式呈现，为了找出每天的新病例，我们需要减去这些值
(相关资料图)
(10)这些数据是根据国家和地区报告新病例的数据，但我们只想预测国家的新病例，因此我们使用 groupby 根据国家对它们进行分组
总结数据
执行 groupby 以根据一个国家的新病例来汇总数据，而不是根据地区
d1=(['Country/Region']).sum()描述随机选择的国家的累计新病例增长
from import seed (F[i], label = RD[i]) ()# 我们不需要前两列d1=[:,2:]# # 检查是否有空值().sum().any()我们可以对每个国家进行预测，也可以对所有国家进行预测，这次我们对所有国家进行预测
()dal_cnre_ = _datetime(dailyonfrmd_)点击标题查阅往期内容
结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
左右滑动查看更多
01
02
03
04
(dalnimedases)ne_ces = daiy_onme_().dropna().astype()newcaes(ne_s[1:])nw_(153,)将数据拆分为训练和测试数据
ct=_aa,tet_aa = train_test_split(ne_ces, pct)(116,)``````(tainta)(tesata)数据标准化
scaler = MinMaxScaler()(38, 1)创建序列
lentTe = len(ts_data)for i in range(timmp, lenhTe): X_(tst_aa[i-tmStap:i]) y_(tesata[i])X_tet=(X_ts)ytes=(y_tt)X_# 序列的样本 X_trn[0], yran[0]为股票价格预测设计 RNN 模型
模型：
LSTM
GRU
()(X_trn y_rin, epochs=50, batch_size=200)yprd = ((X_test))MSE = mean_squared_error(ytue, y_rd)(figsize=(14,6))meRU= Sqtal([ (model_(Xtrn, ytin,epochs=50,batch_size=150)pe_rut = {}y_ue = (y_(-1,1))y_prd = ((X_test))MSE = mean_squared_error(y_ue, ed)用于预测新病例的机器学习算法
准备数据
d__moel=LinearRegression(nos=-2)ARIMA
COVID-19 新病例预测的自回归综合移动平均线
#我们不需要前两列()daly_nfrd_cses = (axis=0)day_cnir_ = _datetime(da_)new_cs = ().dropna().astype()tri_ta,tet_ata = trintt_it(nw_es, pct)ero = men_squred_eror(ts_ar, pricos)(figsize=(12,7))(tanat)点击文末 “阅读原文”
获取全文完整资料。
本文选自《Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID19新冠疫情人数时间序列预测》。
点击标题查阅往期内容
【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列spss modeler用决策树神经网络预测ST的股票Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据用PyTorch机器学习神经网络分类预测银行客户流失模型PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与结果评估可视化深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析R语言深度学习Keras循环神经网络(RNN)模型预测多输出变量时间序列R语言KERAS用RNN、双向RNNS递归神经网络、LSTM分析预测温度时间序列、 IMDB电影评分情感Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告R语言深度学习：用keras神经网络回归模型预测时间序列数据Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）MATLAB中用BP神经网络预测人体脂肪百分比数据Python中用PyTorch机器学习神经网络分类预测银行客户流失模型R语言实现CNN（卷积神经网络）模型进行回归数据分析SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析Python使用神经网络进行简单文本分类R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析R语言基于递归神经网络RNN的温度时间序列预测R语言神经网络模型预测车辆数量时间序列R语言中的BP神经网络模型分析学生成绩matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类R语言实现拟合神经网络预测和结果可视化用R语言实现神经网络预测股票实例使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
标签：
