说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。
1.项目背景
时间序列分析中的自回归模型（AutoRegressive Model，简称AR模型）是一种统计学方法，它用于描述和预测一个随机变量的当前值与过去若干时期内该变量自身值之间的线性关系。在AR模型中，给定的时间点上的观测值被表达为之前若干个时间点上观测值的加权求和，再加上一个白噪声项（即随机误差项）。
本项目通过AutoReg算法来进行时间序列自回归模型分析。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：
| 编号 | 变量名称 | 描述 |
| 1 | DATE | 日期 |
| 2 | HOUSTNSA | 美国住房价格指数 |
数据详情如下(部分展示)：
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据：
关键代码：
3.2 数据缺失查看
使用Pandas工具的info()方法查看数据信息：
从上图可以看到，总共有2个变量，数据中无缺失值，共780条数据。
关键代码：
3.3 数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下：
4.探索性数据分析
4.1 变量直方图
用Matplotlib工具的hist()方法绘制直方图：
从上图可以看到，变量主要集中在50~200之间。
4.2 折线图
从上图中可以看到，房价指数是不断波动的。
5.构建自回归模型
主要使用AutoReg算法，用于自回归建模。
5.1 构建模型
| 编号 | 模型名称 | 参数 |
| 1 | 自回归模型 | P=3 |
5.2 模型摘要信息
5.3 模型预测
预测结果及展示：
6.结论与展望
综上所述，本文采用了AutoReg算法来构建自回归模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。
# 本次机器学习项目实战所需的资料，项目资源如下：
# 项目说明：
# 获取方式一：
# 项目实战合集导航：
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
# 获取方式二：
链接：https://pan.baidu.com/s/10vEw8HxeDNdXHtVMV4UHcQ
提取码：f1jy
