预测并不是什么新鲜事，而是根据以前的学习来猜测未来的旧概念。每天我们都会遇到预测未来结果的情况，或者我们想知道我们本来可以更早知道这一点。

有两种主要类型的预测。 一是定性预测，当数据不可用或无意义时使用。 这通常是根据专家的意见来完成的。 另一个是定量预测， 它基于历史数据的数据和模式。 随着最新的发展，越来越多的数据可以以更低的成本获得，因此更多的用例可以应用于定量预测。 以下是一些最常见的用例：

• 销售预测
• 库存预测
• 交通预测
• 天气预报
• 能耗预测

随着机器学习机制的快速发展，现在，企业可以通过正确构建预测模型来更清晰地了解未来的业务。

梯度增强模型因其在回归和分类等多种用例中取得的良好结果而在机器学习社区中脱颖而出。 近年来，事实证明他们可以取得非常有竞争力的成果。 使用此类模型的一些优点是：

除了自回归变量之外，还可以轻松包含外生变量。
它们允许将非线性关系包含到模型中。
高可扩展性，允许在有大量数据可用时应用它们。
还有三种更先进的梯度增强模型：XGBoost、LightGBM 和 Catboost。 最近有一个名为 "skforecast"的新 Python 库，可以轻松使用 scikit-learn 回归器作为多步预测器。 让我们更方便的使用以上三种梯度提升进行时间序列预测。