statsmodels.tsa.holtwinters.SimpleExpSmoothing.fit¶

SimpleExpSmoothing.fit(smoothing_level=None, *, optimized=True, start_params=None, initial_level=None, use_brute=True, use_boxcox=None, remove_bias=False, method=None, minimize_kwargs=None)[source]¶

拟合模型

Parameters:¶

smoothing_levelfloat, optional

简单指数平滑的smoothing_level值，如果设置了该值，则将使用此值。

optimizedbool, optional

通过最大化对数似然估计模型参数。

start_paramsndarray, optional

优化拟合时使用的起始值。如果没有提供，起始值将通过网格搜索和基于数据初始值的合理值的组合来确定。

initial_levelfloat, optional

用于初始化拟合水平的值。

use_brutebool, optional

使用暴力搜索（网格）优化器寻找良好的初始值。如果为False，则使用一组简单的初始值。

use_boxcox{True, False, ‘log’, float}, optional

是否应该首先对数据应用Box-Cox变换？如果为‘log’，则应用对数变换。如果为浮点数，则使用该值作为lambda。

remove_biasbool, optional

通过强制平均残差等于零，从预测值和拟合值中去除偏差。

methodstr, default “L-BFGS-B”

使用的最小化器。有效选项包括“L-BFGS-B”（默认）、“TNC”、“SLSQP”、“Powell”、“trust-constr”、“basinhopping”（也称为“bh”）和“least_squares”（也称为“ls”）。basinhopping尝试多个起始值，以试图在非凸问题中找到全局最小化器，因此比其他方法慢。

minimize_kwargsdict[str, Any]

传递给 SciPy 的 minimize 函数的参数字典，如果方法为“L-BFGS-B”（默认）、“TNC”、“SLSQP”、“Powell”或“trust-constr”之一，或者 SciPy 的 basinhopping 或 least_squares。有效的关键词是优化器特定的。请参阅 SciPy 的文档以获取完整的选项集。

Returns:¶

HoltWintersResults

参见 statsmodels.tsa.holtwinters.HoltWintersResults。

注释

这是根据[1]实现的简单指数平滑的完整实现。

参考文献

[1] Hyndman, Rob J., and George Athanasopoulos. Forecasting: principles

和实践。OTexts，2014年。