学习如何通过使线性模型更加灵活以适应趋势变化来提高拟合度
建模时间序列数据可能具有挑战性（也很有趣），因为它具有固有的复杂性和不可预测性。例如，时间序列中的长期趋势可能会因某些事件而发生剧变。回想一下全球大流行开始时，航空公司或实体店等企业的顾客数量和销售额急剧下降。相比之下，电子商务企业继续运营，受到的干扰较少。
交互项可以帮助建模此类模式。它们捕捉变量之间的复杂关系，从而导致更准确的预测。
本文探讨了以下内容：
- 在时间序列预测中的交互项
- 建模复杂关系时交互项的好处
- 如何在模型中有效地实现交互项
交互项概述
交互项使您能够研究目标与一个特征之间的关系是否取决于另一个特征的值。有关详细信息，请参阅我的先前文章。
图1显示了一个散点图，表示汽车每加仑的里程（目标）与汽车重量（特征）之间的关系。这种关系在传动类型（另一个特征）不同时是非常不同的。
如果不使用交互项，线性模型将无法捕捉到这种复杂关系。实际上，它会为重量特征分配相同的系数，而不考虑传动类型。图1显示了不同传动类型的重量特征的系数（线的斜率），这些系数在不同传动类型之间差异巨大。
为了克服这种错误，并使线性模型更加灵活，我们可以使用交互项。在…