我有一个数据帧，看起来像下面的那个。数据框架有更多的功能，但我只是为了简化起见才展示这些功能。
CODE DATE IND_AVG_MONTH_REC IND_STD_MONTH_REC
0 15295 2021-01-22 0.375 0.382733
1 15801 2020-12-04 0.125 0.309359
2 23369 2021-01-01 0.750 0.216506
AVG和STD是每个COD每月的平均值和标准偏差。DATE是用户最后一次进行活动的时间。我想根据AVG和上一个日期来预测下一个日期。
为此，我做了一个线性回归，得到了预测的频率。我对结果很满意，因为从预测到测试集，它们都有一个小误差。(所有值都是整数或浮点值(
# Not all features fom the data set were used
X = df[['IND_MIN_REC_VAL', 'IND_TOTAL_TERM_CALL_QTY', 'IND_TOTAL_ORIG_CALL', 'IND_VAL_LAST_REC', 'OLD', 'IND_SMS_QTY', 'IND_TOTAL_SMS_QTY', 'IND_MIN_REC_QTY_DAY', 'IND_TOTAL_GPRS_QTY', 'IND_GPRS_QTY', 'IND_AVG_MONTH_GPRS_QTY', 'IND_AVG_MONTH_SMS', 'IND_STD_MONTH_SMS', 'IND_STD_MONTH_GPRS_QTY', 'IND_QTD_LAST_REC', 'COD_TAR', 'COD_CART', 'IND_TERM_CALL_QTY', 'IND_MAX_REC_VAL', 'IND_AVG_TERM_CALL_DUR', 'IND_STD_TERM_CALL_DUR', 'IND_ORIG_CALL_QTY', 'IND_AVG_MONTH_TERM_CALL', 'IND_STD_MONTH_TERM_CALL', 'IND_MAX_REC_QTY_DAY', 'IND_AVG_ORIG_CALL_DUR', 'IND_STD_ORIG_CALL_DUR', 'IND_AVG_MONTH_PRIG_CALL', 'IND_STD_ORIG_CALL', 'IND_AVG_GPRS_DUR', 'IND_STD_GPRS_DUR', 'IND_STD_MONTH_REC_VAL', 'IND_STD_MONTH_REC', 'IND_AVG_MONTH_REC_VAL']]
y = df['IND_AVG_MONTH_REC']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = LinearRegression().fit(X_train, y_train)
y_preds = model.predict((X_test))
然后计算了误差指标，得到了以下我很满意的结果：
MAE: 0.11467427514645877
MSE: 0.03279457004316404
RMSE: 0.1810927111817702
既然我已经有了预测的频率，我该如何获得下一个(预测的(日期？
有没有办法在python/pandas中输入最后一个日期和预测频率并获得下一个日期？
我认为您遇到了使用线性回归来尝试解决时间序列问题的问题。
想象一下预测房价。我们可以知道卧室的数量，如果有车库，院子的大小，当前的利率，当前的失业率，目前市场上的房屋数量等等。最终我们会得到一个很好的预测。
现在想象一下，你想预测6个月后的房价。你仍然知道卧室的数量，以及它是否有车库，但你不知道未来的利率、失业率，也不知道市场上会有多少房子。
你可以使用自己的最佳猜测来估计这些情况(也许使用最佳/最坏场景的范围，让使用模型的人决定使用哪个(，也可以使用时间序列建模方法，通过学习今天的模式对未来意味着什么来预测未来6个月。