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

滚动加权最小二乘法回归模型（Rolling Weighted Least Squares, RollingWLS）是一种在时间序列分析中动态更新参数估计的方法。它将数据集分为一个移动窗口，并针对窗口内的数据子集应用加权最小二乘法进行回归分析，随着窗口向前滑动，不断对新的观测值纳入并丢弃旧的观测值，从而得到随时间变化的回归系数估计。

滚动加权最小二乘回归模型是一种适应性强、能够捕捉数据动态特性的统计方法，广泛应用于经济、金融、气象学以及其他需要跟踪系统动态行为的领域。

本项目通过RollingWLS回归算法来构建滚动加权最小二乘法回归模型。 

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	x1
2	x2
4	y	因变量

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3个变量，数据中无缺失值，共100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 y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，y变量主要集中在-2~2之间。

4.2 相关性分析

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下：

5.2 定义权重

关键代码如下：

6.构建滚动加权最小二乘法回归模型

主要使用RollingWLS回归算法，用于滚动加权最小二乘法回归模型。 

6.1 构建模型

编号	模型名称	参数
1	RollingWLS回归模型	window=5
2		weights=weights

7.模型评估

7.1 滚动回归的系数

7.2 滚动窗口的R-squared

8.结论与展望

综上所述，本文采用了RollingWLS算法来构建滚动加权最小二乘法回归模型，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/1eO6uMkXpRnyQaX1MyBDxBA 
提取码：ovv8