CNN1D-一维卷积神经网络
用于使用一维卷积神经网络建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。
算法目录
按类目、下载状态和价格筛选全部算法。
分类筛选
CNN_LSTM-CNN–LSTM 混合
用于使用CNN–LSTM 混合建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。
BiLSTM-双向 LSTM
用于使用双向 LSTM建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。
Autoformer-Autoformer
用于使用Autoformer建立深度学习时间序列模型，学习复杂的时序依赖并进行预测，适合样本量相对充足的连续序列；训练效果受数据规模、特征和参数影响。
SHAP-可解释性
用于模型解释与特征影响分析，采用可解释性辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
PermutationImportance-置换重要度
用于模型解释与特征影响分析，采用置换重要度辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
PDP_ICE-偏依赖与个体条件期望
用于模型解释与特征影响分析，采用偏依赖与个体条件期望辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
Optuna-超参搜索
用于模型超参数搜索与优化，采用超参搜索辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
LIME-局部线性解释
用于模型解释与特征影响分析，采用局部线性解释辅助比较参数、特征贡献或变量交互关系，帮助理解和改进预测模型；适用范围取决于所连接的基础模型。
当前第 8 页，共 23 页，共 204 个算法