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
