具體描述
R語言具有上手快、效率高的特點，它橫跨金融、生物、醫學、互聯網等多個領域，主要用於統計、建模及可視化。預測是數據挖掘的主要作用之一，也是大數據時代的核心價值所在。基於R語言來做預測，兼具效率和價值的雙重屬性，這是《R語言預測實戰》的一大亮點。
《R語言預測實戰》共分為三部分。第一部分講預測基礎，主要涵蓋預測概念理解、預測方法論、分析方法、特徵技術、模型優化及評價，讀者通過這部分內容的學習，可以掌握進行預測的基本步驟和方法思路；第二部分講預測算法，該部分包含瞭多元迴歸分析、復雜迴歸分析、時間序列及進階算法，內容比較有難度，需要細心體會；第三部分講預測案例，包括短期日負荷麯綫預測和股票價格預測兩個實例，讀者可以瞭解到實施預測時需要關注的技術細節。
希望讀者在看完《R語言預測實戰》後，能夠將本書的精要融會貫通，進一步在工作和學習實踐中提煉價值。
《統計建模與機器學習應用實戰》 探索數據驅動的決策藝術 圖書簡介 在當今數據爆炸的時代，如何將海量原始數據轉化為具有前瞻性的洞察力與可靠的預測模型，已成為各個行業決策者和技術人員麵臨的核心挑戰。本書《統計建模與機器學習應用實戰》旨在為讀者提供一套係統、深入且高度實用的框架，用以駕馭復雜的數據集，並構建齣能夠應對真實世界復雜性的預測係統。 本書並非專注於單一編程語言的語法教程，而是側重於統計思維、模型選擇的邏輯，以及工程實踐中的模型部署與評估。我們相信，強大的預測能力源於對底層統計原理的深刻理解，而非僅僅是調參技巧的堆砌。 --- 第一部分：統計建模的基石與迴歸分析的精深（奠定預測的理論基礎） 本部分將帶領讀者迴顧並深化經典統計建模的基礎。我們不滿足於綫性迴歸的錶麵知識，而是深入剖析其背後的假設、診斷工具以及如何處理違背這些假設的情況。 第一章：數據預處理與特徵工程的藝術 數據清洗的魯棒性策略： 探討缺失值、異常值（Outliers）處理的高級技術，如穩健性插補法（Robust Imputation）與基於距離的異常檢測（Distance-Based Anomaly Detection）。 特徵構建的領域知識融閤： 如何通過業務理解，有效地進行特徵交叉、多項式變換以及分箱（Binning）策略的選擇。重點討論特徵選擇的嚴謹性，包括逐步迴歸法、LASSO、Ridge與彈性網絡（Elastic Net）在特徵篩選中的作用與權衡。 第二章：廣義綫性模型（GLMs）的擴展應用 超越正態分布： 係統介紹泊鬆迴歸（Poisson Regression）在計數數據（如事件發生次數）中的應用，以及負二項迴歸（Negative Binomial Regression）在處理過度離散（Overdispersion）問題時的優越性。 邏輯迴歸的深入理解與校準： 詳細闡述邏輯迴歸（Logistic Regression）的概率解釋、偏差（Bias）與方差（Variance）的權衡，並引入校準麯綫（Calibration Curve）來評估預測概率的準確性，而非僅僅關注分類精度。 生存分析基礎： 引入Cox比例風險模型（Cox Proportional Hazards Model）的基本原理，適用於時間至事件發生場景（如産品壽命、客戶流失時間）。 第三章：模型診斷與診斷的深度解析 診斷的哲學： 區分偏差（Bias）與方差（Variance）的權衡，並教授如何通過殘差圖（Residual Plots）的細緻觀察來識彆模型設定錯誤（Misspecification）。 多重共綫性（Multicollinearity）的識彆與緩解： 使用方差膨脹因子（VIF）進行量化分析，並探討正則化方法在控製共綫性影響方麵的作用。 模型穩健性測試： 介紹自助法（Bootstrapping）在估計參數標準誤和模型穩定性的實際操作，確保模型性能不依賴於單一數據集的隨機性。 --- 第二部分：機器學習算法的深度集成與性能優化（構建高效的預測引擎） 本部分聚焦於現代機器學習算法，強調它們在處理非綫性關係和高維數據時的強大能力，並著重於模型集成（Ensemble Methods）的工程實現。 第四章：決策樹與集成學習的威力 決策樹的優化： 深入探討ID3、C4.5、CART算法的核心差異，並著重分析剪枝策略（Pruning）對防止過擬閤的關鍵作用。 隨機森林（Random Forests）的原理剖析： 解釋Bagging（Bootstrap Aggregating）如何降低模型方差，以及特徵隨機性的重要性。 梯度提升機（GBM）的迭代優化： 詳細講解AdaBoost、Gradient Boosting Machine（GBM）以及XGBoost/LightGBM的核心思想——如何通過負梯度來指導下一棵樹的構建方嚮，實現偏差的逐步降低。 第五章：支持嚮量機（SVM）與核方法的精妙 最大間隔分類器的幾何直觀： 理解SVM如何通過尋找最優超平麵來實現最大化分類邊界。 核函數（Kernel Trick）的運用： 深入探討徑嚮基函數（RBF Kernel）的參數選擇，及其在映射到高維空間中解決非綫性問題時的理論基礎。 SVM在迴歸任務中的擴展（SVR）： 介紹如何使用 $epsilon$-不敏感損失函數（$epsilon$-Insensitive Loss Function）構建支持嚮量迴歸模型。 第六章：維度災難與降維技術 主成分分析（PCA）的限製與應用場景： 在確保信息損失最小的前提下，如何通過PCA進行數據可視化和特徵壓縮。 非綫性降維： 介紹流形學習（Manifold Learning）的基本概念，如t-SNE或Isomap，用於高維數據的內在結構探索。 特徵學習： 簡要引入神經網絡中的自編碼器（Autoencoders）作為一種有效的特徵學習和降維工具。 --- 第三部分：模型評估、選擇與實戰部署的工程化（從模型到決策） 強大的模型必須是可信賴且可部署的。本部分關注如何科學地評估模型的預測質量，並在實際業務環境中實現自動化迭代。 第七章：評估指標的審慎選擇與構建 分類問題： 不僅局限於準確率（Accuracy）。深入解析混淆矩陣（Confusion Matrix）的每一個組成部分，並強調精確率（Precision）、召迴率（Recall）、F1-Score以及特定業務場景下的成本敏感評估。 迴歸問題： 對比MSE、MAE、RMSE，並引入R方調整值（Adjusted R-squared）在模型復雜度懲罰中的作用。 模型性能的可視化： 熟練運用ROC麯綫、PR麯綫（Precision-Recall Curve）和提升圖（Lift Charts）來直觀比較不同模型的優劣。 第八章：模型驗證與泛化能力保障 交叉驗證（Cross-Validation）的實踐： 詳述K摺交叉驗證、分層抽樣交叉驗證（Stratified K-Fold）在確保模型泛化能力方麵的嚴格性要求。 時間序列數據的特殊驗證： 重點講解前嚮鏈式交叉驗證（Forward Chaining/Rolling Origin Evaluation），避免未來信息泄露（Data Leakage）。 超參數調優的策略： 係統對比網格搜索（Grid Search）、隨機搜索（Random Search）以及更高效的貝葉斯優化（Bayesian Optimization）在尋找最優超參組閤時的效率差異。 第九章：預測模型的可解釋性（XAI）與業務落地 從黑箱到白箱： 介紹理解復雜模型決策的關鍵技術，如特徵重要性排序的計算方法。 局部解釋性： 深入講解LIME（Local Interpretable Model-agnostic Explanations）和SHAP（SHapley Additive exPlanations）值，如何在單個預測實例的層麵解釋模型給齣的結果，這是建立業務信任的關鍵。 模型監控與漂移檢測： 討論在生産環境中，如何持續監控模型預測結果的分布變化（概念漂移/數據漂移），並建立自動再訓練的觸發機製。 --- 本書特色： 本書內容以“問題導嚮、深度剖析、工程落地”為核心。我們不提供即插即用的代碼片段，而是提供算法背後的數學直覺和工程實現時需要避免的陷阱。讀者將學會如何像一位經驗豐富的統計學傢和數據科學傢那樣思考，從而能夠獨立地設計、構建、驗證並成功部署解決實際業務挑戰的預測係統。本書適閤具備基礎統計學或編程背景，渴望將理論知識轉化為可信賴預測能力的專業人士、研究人員和高級數據分析師閱讀。
作者簡介
遊皓麟，高級數據分析師，目前專注於NLP、知識圖譜以及深度學習的研究與實現。曾服務於華為技術軟件有限公司等企業，多次齣席R語言會議並發錶演講，在小象學院擔任過R語言數據挖掘和機器學習講師。
目錄資訊
第一部分 預測入門篇
第1章 預測入門 2
1.1 什麼是預測 3
1.1.1 預測的定義 3
1.1.2 預測的特點 4
1.1.3 預測的分類 4
1.1.4 預測的基本原則 5
1.2 大數據與預測 7
1.2.1 什麼是大數據 7
1.2.2 大數據預測的優勢 9
1.2.3 大數據預測的特徵 9
1.2.4 大數據預測案例 12
1.3 預測利器之R語言 22
1.3.1 R語言簡介 22
1.3.2 R語言預測初步 33
1.3.3 R語言預測常用包 42
第2章 預測方法論 44
2.1 預測流程 45
2.1.1 確定主題 45
2.1.2 收集數據 47
2.1.3 選擇方法 49
2.1.4 分析規律 53
2.1.5 建立模型 57
2.1.6 評估效果 60
2.1.7 發布模型 60
2.2 指導原則 61
2.2.1 界定問題 61
2.2.2 判斷預測法 63
2.2.3 外推預測法 64
2.2.4 因果預測法 66
2.3 團隊構成 66
2.3.1 成員分類 67
2.3.2 數據氛圍 68
2.3.3 團隊閤作 70
第3章 分析方法 72
3.1 相關分析 73
3.1.1 自相關分析 73
3.1.2 偏相關分析 74
3.1.3 簡單相關分析 75
3.1.4 互相關分析 83
3.1.5 典型相關分析 84
3.2 對應分析 88
3.3 頻譜分析 92
3.4 趨勢分析 94
3.5 聚類分析 96
3.5.1 K-Means算法 96
3.5.2 係統聚類算法 99
3.6 關聯分析 105
3.6.1 關聯規則挖掘：Apriori與Eclat算法 105
3.6.2 序列模式挖掘：SPADE算法 119
第4章 特徵構建技術 132
4.1 特徵變換 133
4.1.1 概念分層 134
4.1.2 標準化 136
4.1.3 離散化 139
4.1.4 函數變換 142
4.1.5 深入錶達 143
4.2 特徵組閤 143
4.2.1 基於特定的領域知識 143
4.2.2 二元組閤 144
4.2.3 高階多項式 148
4.3 自動生成：基於遺傳編程的方法 152
4.3.1 基本思路 153
4.3.2 特徵錶達式 154
4.3.3 産生初始種群 162
4.3.4 計算適應度 163
4.3.5 選擇、交叉和變異 165
4.3.6 實例分析 171
第5章 特徵選擇方法 176
5.1 直接法 177
5.2 單元法 177
5.2.1 Pearson相關係數 177
5.2.2 距離相關係數 179
5.2.3 單因素方差分析 181
5.2.4 信息增益 184
5.2.5 卡方檢驗 191
5.2.6 Gini係數 194
5.3 多元法 198
5.3.1 逐步迴歸 198
5.3.2 隨機森林 203
5.3.3 遺傳算法 210
第6章 模型參數優化 213
6.1 交叉驗證 214
6.2 網格搜索 215
6.3 遺傳算法 217
6.3.1 基本概念 217
6.3.2 遺傳算法算例 218
6.3.3 遺傳算法實現步驟 223
6.3.4 遺傳算法R語言實現 223
6.3.5 R語言mcga和genalg包的應用 228
6.4 粒子群優化 233
6.4.1 基本概念及原理 233
6.4.2 粒子群算法R語言實現 235
6.4.3 粒子群算法實現步驟 238
6.4.4 R語言pso包的應用 239
6.5 模擬退火 241
6.5.1 基本概念及原理 241
6.5.2 模擬退火算法R語言實現 242
6.5.3 模擬退火算法實現步驟 244
6.5.4 R語言GenSA和stats包的應用 245
第7章 預測效果評估 250
7.1 概率預測評估方法 251
7.1.1 混淆矩陣 251
7.1.2 ROC麯綫 255
7.1.3 KS麯綫 261
7.1.4 纍計收益圖 263
7.1.5 纍計提升圖 264
7.1.6 纍計響應圖 266
7.2 數值預測評估方法 267
7.2.1 常見評估指標 267
7.2.2 ASD纍計收益圖 270
第二部分 預測算法篇
第8章 綫性迴歸及其優化 274
8.1 多元綫性迴歸 275
8.1.1 迴歸模型和基本假定 275
8.1.2 最小二乘估計 276
8.1.3 迴歸方程和迴歸係數的顯著性檢驗 276
8.1.4 多重共綫性 277
8.2 Ridge迴歸 280
8.2.1 基本概念 281
8.2.2 嶺跡麯綫 281
8.2.3 基於GCV準則確定嶺參數 283
8.2.4 Ridge迴歸的R語言實現 284
8.3 Lasso迴歸 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語言實現 288
8.3.4 R語言lars包的應用 290
8.4 分位數迴歸 292
8.4.1 基本概念 292
8.4.2 分位數迴歸的計算 294
8.4.3 用單純形法求解分位數迴歸及R語言實現 296
8.4.4 R語言quantreg包的應用 298
8.5 穩健迴歸 300
8.5.1 基本概念 301
8.5.2 M-估計法及其R語言實現 301
8.5.3 應用R語言MASS包實現穩健迴歸 304
第9章 復雜迴歸分析 307
9.1 梯度提升迴歸樹（GBRT） 308
9.1.1 Boosting方法簡介 308
9.1.2 AdaBoost算法 308
9.1.3 提升迴歸樹算法 311
9.1.4 梯度提升 312
9.1.5 GBRT的R語言實現 314
9.1.6 R語言gbm包的應用 316
9.2 神經網絡 320
9.2.1 基本概念 320
9.2.2 單層感知器學習算法 322
9.2.3 SLP迴歸算法的R語言實現 323
9.2.4 BP神經網絡學習算法 325
9.2.5 BP迴歸算法的R語言實現 327
9.2.6 RBF神經網絡學習算法 330
9.2.7 RBF迴歸算法的R語言實現 332
9.2.8 Elman神經網絡學習算法 334
9.2.9 Elman迴歸算法的R語言實現 336
9.2.10 使用R語言包構建神經網絡 338
9.3 支持嚮量機迴歸 343
9.3.1 基本問題 344
9.3.2 LS-SVMR算法 347
9.3.3 LS-SVMR算法的R語言實現 348
9.4 高斯過程迴歸 349
9.4.1 GPR算法 350
9.4.2 GPR算法的R語言實現 352
9.4.3 R語言kernlab包的應用 355
第10章 時間序列分析 358
10.1 Box-Jenkins方法 359
10.1.1 p階自迴歸模型 359
10.1.2 q階移動平均模型 361
10.1.3 自迴歸移動平均模型 363
10.1.4 ARIMA模型 365
10.1.5 ARIMA模型的R語言實現 367
10.1.6 R語言forecast包的應用 373
10.2 門限自迴歸模型 376
10.2.1 TAR模型的基本原理 376
10.2.2 TAR模型的R語言實現 377
10.2.3 R語言TSA包的應用 380
10.3 GARCH模型族 382
10.3.1 綫性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語言實現 385
10.3.6 R語言fGarch包的應用 395
10.4 嚮量自迴歸模型 398
10.4.1 VAR模型基本原理 398
10.4.2 VAR模型的R語言實現 399
10.4.3 R語言vars包的應用 403
10.5 卡爾曼濾波器算法 405
10.5.1 Kalman濾波算法初步 406
10.5.2 Kalman濾波的R語言實現 407
10.5.3 R語言FKF包的應用 409
第三部分 預測應用篇
第11章 短期日負荷麯綫預測 414
11.1 電力行業負荷預測介紹 415
11.2 短期日負荷麯綫預測的基本要求 415
11.3 預測建模準備 416
11.3.1 基礎數據采集 416
11.3.2 缺失數據處理及平滑 418
11.3.3 潛在規律分析 421
11.4 基於RBF神經網絡的預測 426
11.4.1 RBF網絡結構設計 426
11.4.2 確定最優參數 427
11.4.3 建模並實現預測 431
11.4.4 效果評估 433
11.5 基於LS-SVMR算法的預測 435
11.5.1 確定最優參數 436
11.5.2 建模並實現預測 438
11.5.3 效果評估 439
第12章 股票價格預測 442
12.1 股票市場簡介 443
12.1.1 股票的基本概念 443
12.1.2 股票市場常用術語 443
12.1.3 股價波動的影響因素 447
12.2 獲取股票數據 452
12.3 基於VAR算法的預測 455
12.3.1 平穩性檢驗 455
12.3.2 VAR模型定階 456
12.3.3 預測及效果驗證 457
參考文獻 459
· · · · · · (收起)
第1章 預測入門 2
1.1 什麼是預測 3
1.1.1 預測的定義 3
1.1.2 預測的特點 4
1.1.3 預測的分類 4
1.1.4 預測的基本原則 5
1.2 大數據與預測 7
1.2.1 什麼是大數據 7
1.2.2 大數據預測的優勢 9
1.2.3 大數據預測的特徵 9
1.2.4 大數據預測案例 12
1.3 預測利器之R語言 22
1.3.1 R語言簡介 22
1.3.2 R語言預測初步 33
1.3.3 R語言預測常用包 42
第2章 預測方法論 44
2.1 預測流程 45
2.1.1 確定主題 45
2.1.2 收集數據 47
2.1.3 選擇方法 49
2.1.4 分析規律 53
2.1.5 建立模型 57
2.1.6 評估效果 60
2.1.7 發布模型 60
2.2 指導原則 61
2.2.1 界定問題 61
2.2.2 判斷預測法 63
2.2.3 外推預測法 64
2.2.4 因果預測法 66
2.3 團隊構成 66
2.3.1 成員分類 67
2.3.2 數據氛圍 68
2.3.3 團隊閤作 70
第3章 分析方法 72
3.1 相關分析 73
3.1.1 自相關分析 73
3.1.2 偏相關分析 74
3.1.3 簡單相關分析 75
3.1.4 互相關分析 83
3.1.5 典型相關分析 84
3.2 對應分析 88
3.3 頻譜分析 92
3.4 趨勢分析 94
3.5 聚類分析 96
3.5.1 K-Means算法 96
3.5.2 係統聚類算法 99
3.6 關聯分析 105
3.6.1 關聯規則挖掘：Apriori與Eclat算法 105
3.6.2 序列模式挖掘：SPADE算法 119
第4章 特徵構建技術 132
4.1 特徵變換 133
4.1.1 概念分層 134
4.1.2 標準化 136
4.1.3 離散化 139
4.1.4 函數變換 142
4.1.5 深入錶達 143
4.2 特徵組閤 143
4.2.1 基於特定的領域知識 143
4.2.2 二元組閤 144
4.2.3 高階多項式 148
4.3 自動生成：基於遺傳編程的方法 152
4.3.1 基本思路 153
4.3.2 特徵錶達式 154
4.3.3 産生初始種群 162
4.3.4 計算適應度 163
4.3.5 選擇、交叉和變異 165
4.3.6 實例分析 171
第5章 特徵選擇方法 176
5.1 直接法 177
5.2 單元法 177
5.2.1 Pearson相關係數 177
5.2.2 距離相關係數 179
5.2.3 單因素方差分析 181
5.2.4 信息增益 184
5.2.5 卡方檢驗 191
5.2.6 Gini係數 194
5.3 多元法 198
5.3.1 逐步迴歸 198
5.3.2 隨機森林 203
5.3.3 遺傳算法 210
第6章 模型參數優化 213
6.1 交叉驗證 214
6.2 網格搜索 215
6.3 遺傳算法 217
6.3.1 基本概念 217
6.3.2 遺傳算法算例 218
6.3.3 遺傳算法實現步驟 223
6.3.4 遺傳算法R語言實現 223
6.3.5 R語言mcga和genalg包的應用 228
6.4 粒子群優化 233
6.4.1 基本概念及原理 233
6.4.2 粒子群算法R語言實現 235
6.4.3 粒子群算法實現步驟 238
6.4.4 R語言pso包的應用 239
6.5 模擬退火 241
6.5.1 基本概念及原理 241
6.5.2 模擬退火算法R語言實現 242
6.5.3 模擬退火算法實現步驟 244
6.5.4 R語言GenSA和stats包的應用 245
第7章 預測效果評估 250
7.1 概率預測評估方法 251
7.1.1 混淆矩陣 251
7.1.2 ROC麯綫 255
7.1.3 KS麯綫 261
7.1.4 纍計收益圖 263
7.1.5 纍計提升圖 264
7.1.6 纍計響應圖 266
7.2 數值預測評估方法 267
7.2.1 常見評估指標 267
7.2.2 ASD纍計收益圖 270
第二部分 預測算法篇
第8章 綫性迴歸及其優化 274
8.1 多元綫性迴歸 275
8.1.1 迴歸模型和基本假定 275
8.1.2 最小二乘估計 276
8.1.3 迴歸方程和迴歸係數的顯著性檢驗 276
8.1.4 多重共綫性 277
8.2 Ridge迴歸 280
8.2.1 基本概念 281
8.2.2 嶺跡麯綫 281
8.2.3 基於GCV準則確定嶺參數 283
8.2.4 Ridge迴歸的R語言實現 284
8.3 Lasso迴歸 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語言實現 288
8.3.4 R語言lars包的應用 290
8.4 分位數迴歸 292
8.4.1 基本概念 292
8.4.2 分位數迴歸的計算 294
8.4.3 用單純形法求解分位數迴歸及R語言實現 296
8.4.4 R語言quantreg包的應用 298
8.5 穩健迴歸 300
8.5.1 基本概念 301
8.5.2 M-估計法及其R語言實現 301
8.5.3 應用R語言MASS包實現穩健迴歸 304
第9章 復雜迴歸分析 307
9.1 梯度提升迴歸樹（GBRT） 308
9.1.1 Boosting方法簡介 308
9.1.2 AdaBoost算法 308
9.1.3 提升迴歸樹算法 311
9.1.4 梯度提升 312
9.1.5 GBRT的R語言實現 314
9.1.6 R語言gbm包的應用 316
9.2 神經網絡 320
9.2.1 基本概念 320
9.2.2 單層感知器學習算法 322
9.2.3 SLP迴歸算法的R語言實現 323
9.2.4 BP神經網絡學習算法 325
9.2.5 BP迴歸算法的R語言實現 327
9.2.6 RBF神經網絡學習算法 330
9.2.7 RBF迴歸算法的R語言實現 332
9.2.8 Elman神經網絡學習算法 334
9.2.9 Elman迴歸算法的R語言實現 336
9.2.10 使用R語言包構建神經網絡 338
9.3 支持嚮量機迴歸 343
9.3.1 基本問題 344
9.3.2 LS-SVMR算法 347
9.3.3 LS-SVMR算法的R語言實現 348
9.4 高斯過程迴歸 349
9.4.1 GPR算法 350
9.4.2 GPR算法的R語言實現 352
9.4.3 R語言kernlab包的應用 355
第10章 時間序列分析 358
10.1 Box-Jenkins方法 359
10.1.1 p階自迴歸模型 359
10.1.2 q階移動平均模型 361
10.1.3 自迴歸移動平均模型 363
10.1.4 ARIMA模型 365
10.1.5 ARIMA模型的R語言實現 367
10.1.6 R語言forecast包的應用 373
10.2 門限自迴歸模型 376
10.2.1 TAR模型的基本原理 376
10.2.2 TAR模型的R語言實現 377
10.2.3 R語言TSA包的應用 380
10.3 GARCH模型族 382
10.3.1 綫性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語言實現 385
10.3.6 R語言fGarch包的應用 395
10.4 嚮量自迴歸模型 398
10.4.1 VAR模型基本原理 398
10.4.2 VAR模型的R語言實現 399
10.4.3 R語言vars包的應用 403
10.5 卡爾曼濾波器算法 405
10.5.1 Kalman濾波算法初步 406
10.5.2 Kalman濾波的R語言實現 407
10.5.3 R語言FKF包的應用 409
第三部分 預測應用篇
第11章 短期日負荷麯綫預測 414
11.1 電力行業負荷預測介紹 415
11.2 短期日負荷麯綫預測的基本要求 415
11.3 預測建模準備 416
11.3.1 基礎數據采集 416
11.3.2 缺失數據處理及平滑 418
11.3.3 潛在規律分析 421
11.4 基於RBF神經網絡的預測 426
11.4.1 RBF網絡結構設計 426
11.4.2 確定最優參數 427
11.4.3 建模並實現預測 431
11.4.4 效果評估 433
11.5 基於LS-SVMR算法的預測 435
11.5.1 確定最優參數 436
11.5.2 建模並實現預測 438
11.5.3 效果評估 439
第12章 股票價格預測 442
12.1 股票市場簡介 443
12.1.1 股票的基本概念 443
12.1.2 股票市場常用術語 443
12.1.3 股價波動的影響因素 447
12.2 獲取股票數據 452
12.3 基於VAR算法的預測 455
12.3.1 平穩性檢驗 455
12.3.2 VAR模型定階 456
12.3.3 預測及效果驗證 457
參考文獻 459
· · · · · · (收起)
讀後感
評分
關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾...
評分關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾...
評分關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾...
評分關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾...
評分關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾次，都不迴復 關鍵章節沒有數據，無法做實驗 找作者要瞭幾...
用戶評價
评分
amazon上麵的評價非常高
评分相當不錯的入門書，對數據的預測有一個不錯的認識，而且代碼很全，
评分amazon上麵的評價非常高
评分相當不錯的入門書，對數據的預測有一個不錯的認識，而且代碼很全，
评分實戰還是很有用的 但理論推導講的不是很具體pa
相關圖書
本站所有內容均為互聯網搜索引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2026 onlinetoolsland.com All Rights Reserved. 本本书屋 版权所有