如何从时间序列数据中提取有用的特征（例如，用户在论坛中的日常活动）
How to extract useful features from time-series data (e.g., users' daily activities in a forum)
我有关于 1 周内用户在论坛中的访问和发帖的数据，该数据包含 activity 的时间戳。根据这个论坛数据，我试图预测用户的另一种行为（假设 X 行为）。回归模型的初步结果表明，用户的论坛 activity 似乎与他们的 X 行为有关。除了这些累积特征：avg_visits_per_day，total_posts_whole_week，我还有每天的特征（0<a<8 ): {a}_visits 和 {a}_posts。
因此，我总共有 16 个特征，用这 16 个特征构建的回归模型给出了可喜的结果。因此，如果我可以生成更多功能，那将更有意义。但是，我不知道是否有针对此类时间序列数据的有用的特征提取策略。我正在使用 sklearn 但没有看到用于此目的的方法。有什么想法或建议吗？
有很多选项，很难说出哪些选项对预测未知事物更有用 "x behaviour"。但是，您可以：
手动创建代表原始数据中清楚可用的信息的特征，但根本不存在于您当前的特征集中。例如，如果您不仅记录了日期，还记录了 activity 的时间 - 您可以为每天的 first/last/average 访问时间构建额外的特征（可能转换为分类 morning/day/evening/night），访问之间的平均时间等等。可能星期几信息也很有用。
从现有集合手动创建相关特征：例如，visits/posts 每天的比率、自上次以来的天数 post、最长无访问时间等
如果可用，请使用其他信息：用户的浏览器，OS，屏幕分辨率，post 长度，his/her post 中存在的关键字，它所属的子论坛，新的 post 或后续的，...... - 再一次，很难事先判断什么是相关的。
我有关于 1 周内用户在论坛中的访问和发帖的数据，该数据包含 activity 的时间戳。根据这个论坛数据，我试图预测用户的另一种行为（假设 X 行为）。回归模型的初步结果表明，用户的论坛 activity 似乎与他们的 X 行为有关。除了这些累积特征：avg_visits_per_day，total_posts_whole_week，我还有每天的特征（0<a<8 ): {a}_visits 和 {a}_posts。
因此，我总共有 16 个特征，用这 16 个特征构建的回归模型给出了可喜的结果。因此，如果我可以生成更多功能，那将更有意义。但是，我不知道是否有针对此类时间序列数据的有用的特征提取策略。我正在使用 sklearn 但没有看到用于此目的的方法。有什么想法或建议吗？
有很多选项，很难说出哪些选项对预测未知事物更有用 "x behaviour"。但是，您可以：
手动创建代表原始数据中清楚可用的信息的特征，但根本不存在于您当前的特征集中。例如，如果您不仅记录了日期，还记录了 activity 的时间 - 您可以为每天的 first/last/average 访问时间构建额外的特征（可能转换为分类 morning/day/evening/night），访问之间的平均时间等等。可能星期几信息也很有用。
从现有集合手动创建相关特征：例如，visits/posts 每天的比率、自上次以来的天数 post、最长无访问时间等
如果可用，请使用其他信息：用户的浏览器，OS，屏幕分辨率，post 长度，his/her post 中存在的关键字，它所属的子论坛，新的 post 或后续的，...... - 再一次，很难事先判断什么是相关的。
- 一样按包自动提取特征