SARIMA是 ARIMA 的季节版，参数分非季节 (p,d,q) 和季节 (P,D,Q) m，核心是抓时间序列的季节规律；模型检验看残差是否为白噪声，通过 4 个可视化（时序图、分布、Q-Q 图、ACF）判断模型好坏；多变量数据分内生变量（预测目标）和外部变量（辅助预测），前者是核心，后者是补充；多变量模型分四类：SARIMAX（单向因果）、VAR（双向依赖）、机器学习（ARIMA + 残差预测

G 拼命 “仿造” 真样本，D 拼命 “分辨” 真 / 假样本，两者对抗着进步。三、nn.Sequential 容器：神经网络的 “流水线”学完 G 和 D，接下来学写代码的工具：nn.Sequential（PyTorch 里的工具）。nn.Sequential 就是 “按顺序执行的层容器”，适合层与层之间是 “串行” 的情况，能大幅简化代码，不用手动写每一层的前向传播。四、LeakyReLU：让

神经网络里到处都是 “随机操作”（比如初始化权重、打乱训练数据），就像你调奶茶时，每次搅拌的力度、加冰的多少都随机，哪怕配方一样，做出来的味道也不一样。随机种子就是给这些随机操作定一个 “规矩”—— 比如定种子为 42，不管你跑多少次代码，随机操作的结果都完全一样，就像把 “搅拌 3 圈、加 2 块冰” 写死在配方里，每次做都按这个来。神经网络的核心是权重（W）和偏置（b）权重：比如 “输入层到隐

梯度：是损失函数对模型每个参数的偏导数组成的向量，它告诉我们 “参数往哪个方向变，损失会上升得最快”。梯度下降：反其道而行之，让参数沿着负梯度方向更新，从而让损失不断减小。激活函数是非线性函数，作用是对神经元的输出进行 “非线性变换”，让神经网络能够学习复杂的非线性规律。损失函数（Loss Function）是衡量模型预测值与真实值之间误差的函数，是模型优化的 “目标”（我们的目标是让损失函数的值

指标名称通俗解释怎么看好不好Coefficients（系数）里的 P>z每个参数的 “有效性得分”（类似考试分数）<0.05：参数有用；>0.05：参数没用，要调整sigma2模型的 “误差方差”（类似做题的错题数）越小越好对数似然值（类似总分）越大越好AIC/BIC信息准则（类似综合评分）越小越好残差检验（看模型有没有学完所有规律）p 值 > 0.05：残差是白噪声（模型学透了）时序建模流程。

关键字执行条件常用场景try必执行（监控错误）放可能出错的核心代码excepttry 块出错且类型匹配时错误处理（提示、日志）elsetry 块没出错时正常流程的后续逻辑finally无条件执行（无论是否出错）资源释放（关文件、关连接）结构核心作用适用场景raise主动抛出异常业务逻辑校验（比如参数不合法）assert调试时快速校验条件开发阶段定位逻辑漏洞（不用于生产）with 语句自动管理资源

零基础先掌握「先选特征」思路，因为它依赖业务经验，步骤简单，解读直接。两种思路的核心都是「通过簇内特征的统计值（均值）结合业务逻辑解读」，区别只是 “选特征的时机”。代码可以直接复制运行，遇到报错先看 “常见错误 & 解决方案”，再不行就检查库是否安装（Mac OS 终端运行pip list查看）。通过可视化图形借助 ai 定义簇的含义下面通过4 类核心可视化图形（PCA 降维散点图、簇特征热力图