当前位置:主页 > 计算机电子书 > 程序设计 > R语言下载
R语言预测实战

R语言预测实战 PDF 完整版

  • 更新:2020-05-11
  • 大小:79.6 MB
  • 类别:R语言
  • 作者:游皓麟
  • 出版:电子工业出版社
  • 格式:PDF

  • 资源介绍
  • 相关推荐

R语言具备上手简单、高效率的特,它跨过金融业、微生物、医药学、互联网技术等好几个行业,关键用以统计分析、建模及数据可视化。预测是大数据挖掘的关键功效之一,也是互联网时代的核心理念所属。根据R语言来做预测,兼顾高效率和使用价值的双向属性,它是这书的一大亮。这书共分成三一部分。*一部分讲预测基本,关键包含预测定义了解、预测科学方法论、统计分析方法、特点技术性、实体模型提升及点评,读者根据这些內容的学习培训,能够 把握行预测的基础流程和方式 思路;第二一部分讲预测优化算法,该一部分包括了多元回归剖析、繁杂多元回归分析、时间序列及阶优化算法,內容较为有难度系数,必须仔细体会;第三一部分讲预测实例,包含短期内日负载曲线图预测和股价预测2个案例,读者能够 掌握到执行预测时必须关心的关键技术。期待读者在看了这书后,可以将这书的精义融汇贯通,一步在工作中和学习培训实践活动中提炼出使用价值。R语言具备上手简单、高效率的特,它跨过金融业、微生物、医药学、互联网技术等好几个行业,关键用以统计分析、建模及数据可视化。预测是大数据挖掘的关键功效之一,也是互联网时代的核心理念所属。根据R语言来做预测,兼顾高效率和使用价值的双向属性,它是这书的一大亮。这书共分成三一部分。*一部分讲预测基本,关键包含预测定义了解、预测科学方法论、统计分析方法、特点技术性、实体模型提升及点评,读者根据这些內容的学习培训,能够 把握行预测的基础流程和方式 思路;第二一部分讲预测优化算法,该一部分包括了多元回归剖析、繁杂多元回归分析、时间序列及阶优化算法,內容较为有难度系数,必须仔细体会;第三一部分讲预测实例,包含短期内日负载曲线图预测和股价预测2个案例,读者能够 掌握到执行预测时必须关心的关键技术。期待读者在看了这书后,可以将这书的精义融汇贯通,一步在工作中和学习培训实践活动中提炼出使用价值。

目录

  • 第一部分 预测入门篇
  • 第1章 预测入门 2
  • 1.1 什么是预测 3
  • 1.1.1 预测的定义 3
  • 1.1.2 预测的特点 4
  • 1.1.3 预测的分类 4
  • 1.1.4 预测的基本原则 5
  • 1.2 大数据与预测 7
  • 1.2.1 什么是大数据 7
  • 1.2.2 大数据预测的优势 9
  • 1.2.3 大数据预测的特征 9
  • 1.2.4 大数据预测案例 12
  • 1.3 预测利器之R语言 22
  • 1.3.1 R语言简介 22
  • 1.3.2 R语言预测初步 33
  • 1.3.3 R语言预测常用包 42
  • 第2章 预测方法论 44
  • 2.1 预测流程 45
  • 2.1.1 确定主题 45
  • 2.1.2 收集数据 47
  • 2.1.3 选择方法 49
  • 2.1.4 分析规律 53
  • 2.1.5 建立模型 57
  • 2.1.6 评估效果 60
  • 2.1.7 发布模型 60
  • 2.2 指导原则 61
  • 2.2.1 界定问题 61
  • 2.2.2 判断预测法 63
  • 2.2.3 外推预测法 64
  • 2.2.4 因果预测法 66
  • 2.3 团队构成 66
  • 2.3.1 成员分类 67
  • 2.3.2 数据氛围 68
  • 2.3.3 团队合作 70
  • 第3章 分析方法 72
  • 3.1 相关分析 73
  • 3.1.1 自相关分析 73
  • 3.1.2 偏相关分析 74
  • 3.1.3 简单相关分析 75
  • 3.1.4 互相关分析 83
  • 3.1.5 典型相关分析 84
  • 3.2 对应分析 88
  • 3.3 频谱分析 92
  • 3.4 趋势分析 94
  • 3.5 聚类分析 96
  • 3.5.1 K-Means算法 96
  • 3.5.2 系统聚类算法 99
  • 3.6 关联分析 105
  • 3.6.1 关联规则挖掘:Apriori与Eclat算法 105
  • 3.6.2 序列模式挖掘:SPADE算法 119
  • 第4章 特征构建技术 132
  • 4.1 特征变换 133
  • 4.1.1 概念分层 134
  • 4.1.2 标准化 136
  • 4.1.3 离散化 139
  • 4.1.4 函数变换 142
  • 4.1.5 深入表达 143
  • 4.2 特征组合 143
  • 4.2.1 基于特定的领域知识 143
  • 4.2.2 二元组合 144
  • 4.2.3 高阶多项式 148
  • 4.3 自动生成:基于遗传编程的方法 152
  • 4.3.1 基本思路 153
  • 4.3.2 特征表达式 154
  • 4.3.3 产生初始种群 162
  • 4.3.4 计算适应度 163
  • 4.3.5 选择、交叉和变异 165
  • 4.3.6 实例分析 171
  • 第5章 特征选择方法 176
  • 5.1 直接法 177
  • 5.2 单元法 177
  • 5.2.1 Pearson相关系数 177
  • 5.2.2 距离相关系数 179
  • 5.2.3 单因素方差分析 181
  • 5.2.4 信息增益 184
  • 5.2.5 卡方检验 191
  • 5.2.6 Gini系数 194
  • 5.3 多元法 198
  • 5.3.1 逐步回归 198
  • 5.3.2 随机森林 203
  • 5.3.3 遗传算法 210
  • 第6章 模型参数优化 213
  • 6.1 交叉验证 214
  • 6.2 网格搜索 215
  • 6.3 遗传算法 217
  • 6.3.1 基本概念 217
  • 6.3.2 遗传算法算例 218
  • 6.3.3 遗传算法实现步骤 223
  • 6.3.4 遗传算法R语言实现 223
  • 6.3.5 R语言mcga和genalg包的应用 228
  • 6.4 粒子群优化 233
  • 6.4.1 基本概念及原理 233
  • 6.4.2 粒子群算法R语言实现 235
  • 6.4.3 粒子群算法实现步骤 238
  • 6.4.4 R语言pso包的应用 239
  • 6.5 模拟退火 241
  • 6.5.1 基本概念及原理 241
  • 6.5.2 模拟退火算法R语言实现 242
  • 6.5.3 模拟退火算法实现步骤 244
  • 6.5.4 R语言GenSA和stats包的应用 245
  • 第7章 预测效果评估 250
  • 7.1 概率预测评估方法 251
  • 7.1.1 混淆矩阵 251
  • 7.1.2 ROC曲线 255
  • 7.1.3 KS曲线 261
  • 7.1.4 累计收益图 263
  • 7.1.5 累计提升图 264
  • 7.1.6 累计响应图 266
  • 7.2 数值预测评估方法 267
  • 7.2.1 常见评估指标 267
  • 7.2.2 ASD累计收益图 270
  • 第二部分 预测算法篇
  • 第8章 线性回归及其优化 274
  • 8.1 多元线性回归 275
  • 8.1.1 回归模型和基本假定 275
  • 8.1.2 最小二乘估计 276
  • 8.1.3 回归方程和回归系数的显著性检验 276
  • 8.1.4 多重共线性 277
  • 8.2  Ridge回归 280
  • 8.2.1 基本概念 281
  • 8.2.2 岭迹曲线 281
  • 8.2.3 基于GCV准则确定岭参数 283
  • 8.2.4 Ridge回归的R语言实现 284
  • 8.3  Lasso回归 285
  • 8.3.1 基本概念 285
  • 8.3.2 使用LAR求解Lasso 286
  • 8.3.3 Lasso算法的R语言实现 288
  • 8.3.4 R语言lars包的应用 290
  • 8.4 分位数回归 292
  • 8.4.1 基本概念 292
  • 8.4.2 分位数回归的计算 294
  • 8.4.3 用单纯形法求解分位数回归及R语言实现 296
  • 8.4.4 R语言quantreg包的应用 298
  • 8.5 稳健回归 300
  • 8.5.1 基本概念 301
  • 8.5.2 M-估计法及其R语言实现 301
  • 8.5.3 应用R语言MASS包实现稳健回归 304
  • 第9章 复杂回归分析 307
  • 9.1 梯度提升回归树(GBRT) 308
  • 9.1.1 Boosting方法简介 308
  • 9.1.2 AdaBoost算法 308
  • 9.1.3 提升回归树算法 311
  • 9.1.4 梯度提升 312
  • 9.1.5 GBRT的R语言实现 314
  • 9.1.6 R语言gbm包的应用 316
  • 9.2 神经网络 320
  • 9.2.1 基本概念 320
  • 9.2.2 单层感知器学习算法 322
  • 9.2.3 SLP回归算法的R语言实现 323
  • 9.2.4 BP神经网络学习算法 325
  • 9.2.5 BP回归算法的R语言实现 327
  • 9.2.6 RBF神经网络学习算法 330
  • 9.2.7 RBF回归算法的R语言实现 332
  • 9.2.8 Elman神经网络学习算法 334
  • 9.2.9 Elman回归算法的R语言实现 336
  • 9.2.10 使用R语言包构建神经网络 338
  • 9.3 支持向量机回归 343
  • 9.3.1 基本问题 344
  • 9.3.2 LS-SVMR算法 347
  • 9.3.3 LS-SVMR算法的R语言实现 348
  • 9.4 高斯过程回归 349
  • 9.4.1 GPR算法 350
  • 9.4.2 GPR算法的R语言实现 352
  • 9.4.3 R语言kernlab包的应用 355
  • 第10章 时间序列分析 358
  • 10.1  Box-Jenkins方法 359
  • 10.1.1 p阶自回归模型 359
  • 10.1.2 q阶移动平均模型 361
  • 10.1.3 自回归移动平均模型 363
  • 10.1.4 ARIMA模型 365
  • 10.1.5 ARIMA模型的R语言实现 367
  • 10.1.6 R语言forecast包的应用 373
  • 10.2 门限自回归模型 376
  • 10.2.1 TAR模型的基本原理 376
  • 10.2.2 TAR模型的R语言实现 377
  • 10.2.3 R语言TSA包的应用 380
  • 10.3  GARCH模型族 382
  • 10.3.1 线性ARCH模型 382
  • 10.3.2 GRACH模型 383
  • 10.3.3 EGARCH模型 384
  • 10.3.4 Power ARCH模型 384
  • 10.3.5 PARCH模型的R语言实现 385
  • 10.3.6 R语言fGarch包的应用 395
  • 10.4 向量自回归模型 398
  • 10.4.1 VAR模型基本原理 398
  • 10.4.2 VAR模型的R语言实现 399
  • 10.4.3 R语言vars包的应用 403
  • 10.5 卡尔曼滤波器算法 405
  • 10.5.1 Kalman滤波算法初步 406
  • 10.5.2 Kalman滤波的R语言实现 407
  • 10.5.3 R语言FKF包的应用 409
  • 第三部分 预测应用篇
  • 第11章 短期日负荷曲线预测 414
  • 11.1 电力行业负荷预测介绍 415
  • 11.2 短期日负荷曲线预测的基本要求 415
  • 11.3 预测建模准备 416
  • 11.3.1 基础数据采集 416
  • 11.3.2 缺失数据处理及平滑 418
  • 11.3.3 潜在规律分析 421
  • 11.4 基于RBF神经网络的预测 426
  • 11.4.1 RBF网络结构设计 426
  • 11.4.2 确定最优参数 427
  • 11.4.3 建模并实现预测 431
  • 11.4.4 效果评估 433
  • 11.5 基于LS-SVMR算法的预测 435
  • 11.5.1 确定最优参数 436
  • 11.5.2 建模并实现预测 438
  • 11.5.3 效果评估 439
  • 第12章 股票价格预测 442
  • 12.1 股票市场简介 443
  • 12.1.1 股票的基本概念 443
  • 12.1.2 股票市场常用术语 443
  • 12.1.3 股价波动的影响因素 447
  • 12.2 获取股票数据 452
  • 12.3 基于VAR算法的预测 455
  • 12.3.1 平稳性检验 455
  • 12.3.2 VAR模型定阶 456
  • 12.3.3 预测及效果验证 457
  • 参考文献 459

资源下载

资源下载地址1:https://pan.baidu.com/s/1fkMjo5lex8YWbcJii2ZM4w

相关资源

网友留言