如果重要的决策是基于模

asimm4

其次，模型的性能并不是唯一的标准。 型的结果，那么模型的可解释性可能比略好的性能更重要。也就是说，神经网络可能会输给简单的经典分解模型，尽管它的预测略好一些。

第三，在模型中添加解释变量可能会提高预测准确性。然而，在这样的模型中，解释变量也需要预测，而模型的复杂性增加并不总是值得提高准确性。有时粗略估计就足以支持决策：如果运输量以数十和数百计算，那么预测需求也不必具有更大的粒度。


图 4：可用数据、数据的随机性、预测范 美国 whatsapp 号码数据库 围以及模型目的和可解释性决定了选择哪种模型。左上角的线图显示了使用少量训练数据训练的 LSTM 模型的预测准确性。左下角的线图显示了一个完全随机的过程，以及数据的转折点。右侧的线图显示了遵循 ARIMA (2,1,1) 过程的时间序列的发展。（图片来源：KNIME）
模型评估
训练模型后，下一步是对其进行评估。对于样本内预测，测试集就是训练集本身，因此模型过程与用于训练模型的数据相吻合。对于样本外预测，测试集在时间上紧随训练集之后。