当前位置:首页 > 程序设计 >
《R语言预测实战》电子书封面

R语言预测实战

  • 发布时间:2020年05月11日 09:23:25
  • 作者:游皓麟
  • 大小:79.6 MB
  • 类别:R语言电子书
  • 格式:PDF
  • 版本:完整版
  • 评分:7.5

    R语言预测实战 PDF 完整版

      给大家带来的一篇关于R语言相关的电子书资源,介绍了关于R语言预测、R语言实战方面的内容,本书是由电子工业出版社出版,格式为PDF,资源大小79.6 MB,游皓麟编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:8.4。

      内容介绍

      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

      学习笔记

      简述:我为什么选择Python而不是Matlab和R语言

      做数据分析、科学计算等离不开工具、语言的使用,目前最流行的数据语言,无非是MATLAB,R语言,Python这三种语言,但今天小编简单总结了python语言的一些特点及平常使用的工具等。 为什么Python比MATLAB、R语言好呢? 其实,这三种语言都很多数据分析师在用,但更推荐python,主要是有以下几点: 1、python易学、易读、易维护,处理速度也比R语言要快,无需把数据库切割; 2、python势头猛,众多大公司需要,市场前景广阔;而MATLAB语言比较局限,专注于工程和科学计算方面,而且MATLAB价格贵,免费版或盗版都只能玩玩学习用; 3、python具有丰富的扩展库,这个是其他两个不能比的; python版本选择 初学者……

      r语言和python的详细对比

      r语言和python的对比,两者各有千秋,究竟要学哪一个,可根据自己的实际需求来作出选择,当然,最好是两者都学。 相关推荐:《python视频》 01 开发目的 R语言 R是由统计学家开发的,它的出生就肩负着统计分析、绘图、数据挖掘的重要使命。因此在R的语言体系里,有非常多统计学的原理和知识。 如果你具备一些统计背景,R会令你使用各类model和复杂的公式时更加愉悦有爽感,因为你总能找到对应的package,并且几行代码就可以调用搞定。 Python Python的创始人初衷,是为非专业程序员设计的一种开放型的语言。优雅,明确,简单,是它的标签。因此,总有人高唱「人生苦短,我用Python」。 数据分析、网……

      r语言和python有必要都学吗

      R和Python是目前最流行的两款高级编程语言,被大量运用于数据科学领域。两者都是开源的,也都有非常活跃的社区来支撑。那么问题来了:r语言和python有必要都学吗 R: R语言由新西兰奥克兰大学的Ross Ihaka和Robert Gentleman于1995设计出来(由于两人的名字均以 ‘R’ 字母开头,因此命名为R语言),现在由“R核心开发团队“负责开发。 虽然R主要用于数据分析、绘图以及数据挖掘,但也有人用作矩阵计算。其计算速度可媲美专用于矩阵计算的开源软件GNU Octave和商业软件MATLAB。 起初R主要在学术研究中使用,但近年来在企业界也表现突出,这使得R成为企业中使用的全球发展最快的统计语言之一。对于数据科学任……

      R语言 vs Python对比:数据分析哪家强?

      什么是R语言? R语言,一种自由软件编程语言与操作环境,主要用于统计分析、绘图、数据挖掘。R本来是由来自新西兰奥克兰大学的罗斯·伊哈卡和罗伯特·杰特曼开发(也因此称为R),现在由“R开发核心团队”负责开发。R基于S语言的一个GNU计划项目,所以也可以当作S语言的一种实现,通常用S语言编写的代码都可以不作修改的在R环境下运行。R的语法是来自Scheme。 R的源代码可自由下载使用,亦有已编译的可执行文件版本可以下载,可在多种平台下运行,包括UNIX(也包括FreeBSD和Linux)、Windows和MacOS。R主要是以命令行操作,同时有人开发了几种图形用户界面。 R的功能能够通过由用户撰写的包增强。增加的功……

      r语言处理数据比python慢吗

      什么是R语言? R语言,一种自由软件编程语言与操作环境,主要用于统计分析、绘图、数据挖掘。R本来是由来自新西兰奥克兰大学的罗斯·伊哈卡和罗伯特·杰特曼开发(也因此称为R),现在由“R开发核心团队”负责开发。R基于S语言的一个GNU计划项目,所以也可以当作S语言的一种实现,通常用S语言编写的代码都可以不作修改的在R环境下运行。R的语法是来自Scheme。(推荐学习:Python视频教程) R的源代码可自由下载使用,亦有已编译的可执行文件版本可以下载,可在多种平台下运行,包括UNIX(也包括FreeBSD和Linux)、Windows和MacOS。R主要是以命令行操作,同时有人开发了几种图形用户界面。 R的功能能够通过由……

      以上就是本次介绍的R语言电子书的全部相关内容,希望我们整理的资源能够帮助到大家,感谢大家对码农之家的支持。

      上一篇:曝光:Linux企业运维实战

      下一篇:Hadoop&Spark大数据开发实战

      展开 +

      收起 -

      下载地址:百度网盘下载
      R语言相关电子书
      量化投资:以R语言为工具
      量化投资:以R语言为工具 高清版

      量化投资:以R语言为工具 主要讲解量化投资的思想和策略,并借助R语言进行实战。由三部分组成: 首先,对R编程语言的介绍,通过学习,读者可以迅速掌握用R语言处理数据的方法,灵活运用

      立即下载
      R语言与大数据编程实战
      R语言与大数据编程实战 超清原版

      全方位详细介绍了来源于数据分析、深度学习、人工智能技术等行业的多种多样数据统计分析优化算法,在解读与之有关的R编码时,还探讨了这种优化算法的基本原理、优点和缺点与可用背景

      立即下载
      数据科学:R语言实现
      数据科学:R语言实现 完整超清版

      这书根据简易形象化的R编码、慢慢深层次的解读及其节省成本的方式 ,出示了很多数据统计分析样例,终协助你高效率地处理各种统计数据难题。第1章详细介绍了怎样建立R涵数,防止多余的

      立即下载
      深度学习与R语言
      深度学习与R语言 全书影印版

      假如您是大学老师,你就赶紧添加深度神经网络队伍,变成计算机科学技术专业领头人。 假如您是公司IT技术工程师,这就是你技术性转型发展的优良最佳时机,快速步入互联网时代。 假如您

      立即下载
      R语言实战:机器学习与数据分析
      R语言实战:机器学习与数据分析 全书影印版 立即下载
      预测分析建模:Python与R语言实现
      预测分析建模:Python与R语言实现 中文超清版

      本书介绍使用R与Python预测分析建模来解决实际问题,,并提供有效的解决方法。通过展示建模技术和编程工具,我们将抽象的概念转换为具体的例子,推荐阅读

      立即下载
      机器学习与R语言
      机器学习与R语言 高清版

      R本身是一款十分优秀的数据分析和数据可视化软件。《 机器学习与R语言 》通过将实践案例与核心的理论知识相结合,提供了你开始将机器学习应用到你自己项目中所需要的知识。《机器学习

      立即下载
      R语言在商务分析中的应用
      R语言在商务分析中的应用 高清中文版 立即下载
      高级R语言编程指南
      高级R语言编程指南 扫描版

      本书讲述R语言的基础知识,深入介绍R函数式编程、R语言的面向对象特性、程序的调试、代码优化和性能调优等内容,展示了许多必备的技巧

      立即下载
      R语言与数据挖掘
      R语言与数据挖掘 全书清晰版

      这是公认的、权威的适合教学和零基础自学的R语言与数据挖掘教程,华南师范大学、广东工业大学、广西科技大学等20余所大学选为教材。即便你完全没有R语言编程基础和数据挖掘基础,根据

      立即下载
      读者留言
      Intelligebce

      Intelligebce 提供上传

      资源
      21
      粉丝
      38
      喜欢
      115
      评论
      5

      Copyright 2018-2020 www.xz577.com 码农之家

      版权投诉 / 书籍推广 / 赞助:520161757@qq.com

      idea注册码