R语言预测实战
2020-04-21 10:08:15 0 举报AI智能生成
R语言预测实战
作者其他创作
大纲/内容
第二部分 预测算法篇
8 线性回归及其优化
8.1 多元线性回归
8.1.1 回归模型和基本假定
8.1.2 最小二乘估计
8.1.3 回归方程和回归系数的显著性检验
8.1.4 多重共线性
8.2 Ridge回归
8.2.1 基本概念
8.2.2 岭迹曲线
8.2.3 基于GCV准则确定岭参数
8.2.4 Ridge回归的R语言实现
8.3 Lasso回归
8.3.1 基本概念
8.3.2 使用LAR求解Lasso
8.3.3 Lasso算法的R语言实现
8.3.4 R语言lars包的应用
8.4 分位数回归
8.4.1 基本概念
8.4.2 分位数回归的计算
8.4.3 用单纯形法求解分位数回归及R语言实现
8.4.4 R语言quantreg包的应用
8.5 稳健回归
8.5.1 基本概念
8.5.2 M-估计法及其R语言实现
8.5.3 应用R语言MASS包实现稳健回归
9 复杂回归分析
9.1 梯度提升回归树（GBRT）
9.1.1 Boosting方法简介
9.1.2 AdaBoost算法
9.1.3 提升回归树算法
9.1.4 梯度提升
9.1.5 GBRT的R语言实现
9.1.6 R语言gbm包的应用
9.2 神经网络
9.2.1 基本概念
9.2.2 单层感知器学习算法
9.2.3 SLP回归算法的R语言实现
9.2.4 BP神经网络学习算法
9.2.5 BP回归算法的R语言实现
9.2.6 RBF神经网络学习算法
9.2.7 RBF回归算法的R语言实现
9.2.8 Elman神经网络学习算法
9.2.9 Elman回归算法的R语言实现
9.2.10 使用R语言包构建神经网络
9.3 支持向量机回归
9.3.1 基本问题
9.3.2 LS-SVMR算法
9.3.3 LS-SVMR算法的R语言实现
9.4 高斯过程回归
9.4.1 GPR算法
9.4.2 GPR算法的R语言实现
9.4.3 R语言kernlab包的应用
10 时间序列分析
10.1 Box-Jenkins方法
10.1.1 p阶自回归模型
10.1.2 q阶移动平均模型
10.1.3 自回归移动平均模型
10.1.4 ARIMA模型
10.1.5 ARIMA模型的R语言实现
10.1.6 R语言forecast包的应用
10.2 门限自回归模型
10.2.1 TAR模型的基本原理
10.2.2 TAR模型的R语言实现
10.2.3 R语言TSA包的应用
10.3 GARCH模型族
10.3.1 线性ARCH模型
10.3.2 GRACH模型
10.3.3 EGARCH模型
10.3.4 Power ARCH模型
10.3.5 PARCH模型的R语言实现
10.3.6 R语言fGarch包的应用
10.4 向量自回归模型
10.4.1 VAR模型基本原理
10.4.2 VAR模型的R语言实现
10.4.3 R语言vars包的应用
10.5 卡尔曼滤波器算法
10.5.1 Kalman滤波算法初步
10.5.2 Kalman滤波的R语言实现
10.5.3 R语言FKF包的应用
第三部分 预测应用篇
11 短期日负荷曲线预测
11.1 电力行业负荷预测介绍
11.2 短期日负荷曲线预测的基本要求
11.3 预测建模准备
11.3.1 基础数据采集
11.3.2 缺失数据处理及平滑
11.3.3 潜在规律分析
11.4 基于RBF神经网络的预测
11.4.1 RBF网络结构设计
11.4.2 确定最优参数
11.4.3 建模并实现预测
11.4.4 效果评估
11.5 基于LS-SVMR算法的预测
11.5.1 确定最优参数
11.5.2 建模并实现预测
11.5.3 效果评估
12 股票价格预测
12.1 股票市场简介
12.1.1 股票的基本概念
12.1.2 股票市场常用术语
12.1.3 股价波动的影响因素
12.2 获取股票数据
12.3 基于VAR算法的预测
12.3.1 平稳性检验
12.3.2 VAR模型定阶
12.3.3 预测及效果验证
序一
序二
第一部分 预测入门篇
1 预测入门
1.1 什么是预测
1.1.1 预测的定义
1.1.2 预测的特点
1.1.3 预测的分类
1.1.4 预测的基本原则
1.2 大数据与预测
1.2.1 什么是大数据
1.2.2 大数据预测的优势
1.2.3 大数据预测的特征
1.2.4 大数据预测案例
1.3 预测利器之R语言
1.3.1 R语言简介
1.3.2 R语言预测初步
1.3.3 R语言预测常用包
2 预测方法论
2.1 预测流程
2.1.1 确定主题
2.1.2 收集数据
2.1.3 选择方法
2.1.4 分析规律
2.1.5 建立模型
2.1.6 评估效果
2.1.7 发布模型
2.2 指导原则
2.2.1 界定问题
2.2.2 判断预测法
2.2.3 外推预测法
2.2.4 因果预测法
2.3 团队构成
2.3.1 成员分类
2.3.2 数据氛围
2.3.3 团队合作
3 分析方法
3.1 相关分析
3.1.1 自相关分析
3.1.2 偏相关分析
3.1.3 简单相关分析
3.1.4 互相关分析
3.1.5 典型相关分析
3.2 对应分析
3.3 频谱分析
3.4 趋势分析
3.5 聚类分析
3.5.1 K-Means算法
3.5.2 系统聚类算法
3.6 关联分析
3.6.1 关联规则挖掘：Apriori与Eclat算法
3.6.2 序列模式挖掘：SPADE算法
4 特征构建技术
4.1 特征变换
4.1.1 概念分层
4.1.2 标准化
4.1.3 离散化
4.1.4 函数变换
4.1.5 深入表达
4.2 特征组合
4.2.1 基于特定的领域知识
4.2.2 二元组合
4.2.3 高阶多项式
4.3 自动生成：基于遗传编程的方法
4.3.1 基本思路
4.3.2 特征表达式
4.3.3 产生初始种群
4.3.4 计算适应度
4.3.5 选择、交叉和变异
4.3.6 实例分析
5 特征选择方法
5.1 直接法
5.2 单元法
5.2.1 Pearson相关系数
5.2.2 距离相关系数
5.2.3 单因素方差分析
5.2.4 信息增益
5.2.5 卡方检验
5.2.6 Gini系数
5.3 多元法
5.3.1 逐步回归
5.3.2 随机森林
5.3.3 遗传算法
6 模型参数优化
6.1 交叉验证
6.2 网格搜索
6.3 遗传算法
6.3.1 基本概念
6.3.2 遗传算法算例
6.3.3 遗传算法实现步骤
6.3.4 遗传算法R语言实现
6.3.5 R语言mcga和genalg包的应用
6.4 粒子群优化
6.4.1 基本概念及原理
6.4.2 粒子群算法R语言实现
6.4.3 粒子群算法实现步骤
6.4.4 R语言pso包的应用
6.5 模拟退火
6.5.1 基本概念及原理
6.5.2 模拟退火算法R语言实现
6.5.3 模拟退火算法实现步骤
6.5.4 R语言GenSA和stats包的应用
7 预测效果评估
7.1 概率预测评估方法
7.1.1 混淆矩阵
7.1.2 ROC曲线
7.1.3 KS曲线
7.1.4 累计收益图
7.1.5 累计提升图
7.1.6 累计响应图
7.2 数值预测评估方法
7.2.1 常见评估指标
7.2.2 ASD累计收益图
0 条评论
下一页
