Python用Apriori算法关联规则分析亚马逊购买书籍关联推荐客户和网络图可视化
Apriori 算法是一个相当新的算法，由 Agrawal 和 Srikant 于 1994 年提出。
Search Results: python
Python条件生存森林模型Conditional Survival Forest分类预测客户流失交叉验证可视化
WeChat Tencent QQ email print 由Kaizong Ye，Sherry Deng撰写
python用pystan贝叶斯IRT模型拟合Rasch模型分析学生考试问题数据
由于某大学学生人数过多，助教不足，因此有必要对期中考试给每个学生的题目数量施加五道题的限制。
Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性
该项目包括：自 2000 年 1 月以来的股票价格数据。我们使用的是 Microsoft 股票。
Python用Keras的LSTM神经网络进行时间序列预测天然气价格例
一个简单的编码器-解码器LSTM神经网络应用于时间序列预测问题
python TensorFlow 2二维卷积神经网络CNN对图像物体识别混淆矩阵评估
本文演示了如何训练一个简单的卷积神经网络 (CNN) 来对 CIFAR 图像进行分类。
Python银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机svm分析营销活动数据
该数据与银行机构的直接营销活动相关，营销活动基于电话。
Python信贷风控模型：梯度提升Adaboost,XGBoost,SGD, GBOOST, SVC,随机森林, KNN预测金融信贷违约支付和模型优化
在此数据集中，我们必须预测信贷的违约支付，并找出哪些变量是违约支付的最强预测因子？
Python进行多输出（多因变量）回归：集成学习梯度提升决策树GRADIENT BOOSTING REGRESSOR,GBR回归训练和预测可视化
在之前的文章中，我们研究了许多使用 多输出回归分析的方法。
R语言和Python用泊松过程扩展：霍克斯过程Hawkes Processes分析比特币交易数据订单到达自激过程时间序列
本文描述了一个模型，该模型解释了交易的聚集到达，并展示了如何将其应用于比特币交易数据。
Python用Markowitz有效边界构建最优投资组合可视化分析四只股票
在这篇文章中，我想介绍 现代 投 资组合理论 (MPT)_、 _有效边界 以及它对投资组合构建的一些影响。
Python多项式Logistic逻辑回归进行多类别分类和交叉验证准确度箱线图可视化
WeChat Tencent QQ email print 由Kaizong Ye，Sherry Deng撰写
python贝叶斯随机过程：马尔可夫链Markov-Chain，MC和Metropolis-Hastings，MH采样算法可视化
本文，我们说明了贝叶斯学习和 计算统计一些结果。
python深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列
通过训练具有小中心层的多层神经网络重构高维输入向量，可以将高维数据转换为低维代码。
Python贝叶斯推断Metropolis-Hastings（M-H）MCMC采样算法的实现
Metropolis-Hastings 算法对概率分布进行采样以产生一组与原始分布成比例的轨迹。
Python用GARCH、离散随机波动率模型DSV模拟和估计股票收益时间序列与蒙特卡洛可视化
这篇文章介绍了一类离散随机波动率模型。
Python高维统计建模变量选择:SCAD平滑剪切绝对偏差惩罚、Lasso惩罚函数比较
变量选择是高维统计建模的重要组成部分。
Python支持向量回归SVR拟合、预测回归数据和可视化准确性检查实例
支持向量回归（SVR）是一种回归算法，它应用支持向量机（SVM）的类似技术进行回归分析。
Python实现谱聚类Spectral Clustering算法和改变聚类簇数结果可视化比较
谱聚类是一种将数据的相似矩阵的谱应用于降维的技术。
Python配对交易策略Pairs Trading统计套利量化交易分析股票市场
最近我们被客户要求撰写关于量化交易的研究报告。
Python用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
配置神经网络很困难，因为没有关于如何去做的好的理论。
Python集成学习：自己编写构建AdaBoost分类模型可视化决策边界及sklearn包调用比较
Boosting指的是机器学习元算法系列，它将许多 “弱 “分类器的输出合并成一个强大的 “集合”，其中每个弱分类器单独的错误率可能只比随机猜测好一点。
Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
这篇文章讨论了自回归综合移动平均模型 (ARIMA) 和自回归条件异方差模型 (GARCH) 及其在股票市场预测中的应用。
Python主题建模LDA模型、t-SNE 降维聚类、词云可视化文本挖掘新闻组数据集
在这篇文章中，我们讨论了基于gensim 包来可视化主题模型 (LDA) 的输出和结果的技术 。
Python用户流失数据挖掘：建立逻辑回归、XGboost、随机森林、决策树、支持向量机、朴素贝叶斯模型和Kmeans聚类用户画像
在今天产品高度同质化的品牌营销阶段，企业与企业之间的竞争集中地体现在对客户的争夺上。
Python集成机器学习：用AdaBoost、决策树、逻辑回归集成模型分类和回归和网格搜索超参数优化
Boosting 是一类集成机器学习算法，涉及结合许多弱学习器的预测。
Python 贝叶斯概率推断序列数据概率和先验、似然和后验图可视化
在这篇文章中，我将集中讨论一个给定一个短数据序列的推断概率的例子。
Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列
在量化金融中，我们学习了各种时间序列分析技术以及如何使用它们。
Python用Beta先验分布推断概率，贝叶斯推断计算和可视化案例
在这篇文章中，我将扩展从数据推断概率的示例，考虑 0 和 1之间的所有（连续）值，而不是考虑一组离散的候选概率。
Python用T-SNE非线性降维技术拟合和可视化高维数据iris鸢尾花、MNIST 数据
T-distributed Stochastic Neighbor Embedding (T-SNE) 是一种可视化高维数据的工具。
Python在线零售数据关联规则挖掘Apriori算法数据可视化
关联规则学习 在机器学习中用于发现变量之间的有趣关系。
Python面板时间序列数据预测：格兰杰因果关系检验Granger causality test药品销售实例与可视化
时间序列是以固定时间_区间_记录的观察序列。
python用支持向量机回归(SVR)模型分析用电量预测电力消费
本文描述了训练支持向量回归模型的过程，该模型用于预测基于几个天气变量、一天中的某个小时、以及这一天是周末/假日/在家工作日还是普通工作日的用电量。
Python用决策树分类预测糖尿病和可视化实例
决策树是对例子进行分类的一种简单表示。
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
本文探索Python中的长短期记忆（LSTM）网络，以及如何使用它们来进行股市预测。
python中的copula：Frank、Clayton和Gumbel copula模型估计与可视化
简单地说，copulas是具有均匀边际的联合分布函数。
Python用稀疏、高斯随机投影和主成分分析PCA对MNIST手写数字数据进行降维可视化
降维是在我们处理包含过多特征数据的大型数据集时使用的，提高计算速度，减少模型大小，并以更好的方式将巨大的数据集可视化。这种方法的目的是保留最重要的数据，同时删除大部分的特征数据。
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
我们可以很容易地用Keras序列模型拟合回归数据并预测测试数据。
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
最近我们被客户要求撰写关于使用长短期记忆网络（LSTM）来拟合一个不稳定的时间序列的研究报告。
Python决策树、随机森林、朴素贝叶斯、KNN（K-最近邻）分类分析银行拉新活动挖掘潜在贷款客户
项目背景：银行的主要盈利业务靠的是贷款，这些客户中的大多数是存款大小不等的责任客户（存款人）。
Python中LARS和Lasso回归之最小角算法Lars分析波士顿住房数据实例
回归算法最小角回归（LARS）通过高维数据的线性组合提供变量。
Python中的多项式回归拟合非线性关系实例
多项式回归是独立x变量和因果y变量之间的非线性关系。
Python蒙特卡罗（Monte Carlo）模拟计算投资组合的风险价值（VaR）
VaR是 “风险价值 “的缩写，是许多公司和银行用来确定其公司内部金融风险水平的工具。风险值是为公司的投资而计算的，也可能是为检查银行或公司所管理的投资组合的风险水平。
Python风险价值计算投资组合VaR（Value at Risk ）、期望损失ES（Expected Shortfall）
Python计算获得多资产投资组合的风险度量。
Python中用Prophet模型对天气时间序列进行预测与异常检测
基本的Prophet模型是一个可分解的单变量时间序列模型，结合了趋势、季节性和节假日效应。
Python用时变马尔可夫区制转换（Markov regime switching）自回归模型分析经济时间序列
本文提供了一个在统计模型中使用马可夫转换模型模型的例子，来复现Kim和Nelson（1999）中提出的一些结果。
Python随机波动率(SV)模型对标普500指数时间序列波动性预测
资产价格具有随时间变化的波动性（逐日收益率的方差）。
Python和R语言使用指数加权平均(EWMA)，ARIMA自回归移动平均模型预测时间序列
本文学习创建时间序列预测的步骤，关注Dickey-Fuller检验、指数加权平均(EWMA)和ARIMA（自回归移动平均）模型，从理论上学习这些概念以及它们在python和R中的实现。
Python用ARIMA和SARIMA模型预测销量时间序列数据
最近我们被客户要求撰写关于预测销量时间序列的研究报告。指数平滑模型是基于对数据趋势和季节性的描述，而ARIMA模型则是为了描述数据的自相关性。
Python | ARIMA时间序列预测模型
时间序列 被定义为一系列按时间顺序索引的数据点。时间顺序可以是每天，每月或每年。
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
预测股价已经受到了投资者，政府，企业和学者广泛的关注。然而，数据的非线性和非平稳性使得开发预测模型成为一项复杂而具有挑战性的任务。
ARIMA模型预测CO2浓度时间序列-python实现
时间序列为预测未来数据提供了方法。根据先前的值，时间序列可用于预测经济，天气的趋势。
Python中的Lasso回归之最小角算法LARS
假设我们期望因变量由潜在协变量子集的线性组合确定。
使用Python中Keras的LSTM递归神经网络进行时间序列预测
最近我们被客户要求撰写关于时间序列预测的研究报告。时间序列预测问题是预测建模问题中的一种困难类型。
在Python和R中使用交叉验证方法提高模型性能
模型表现差异很大的可能原因是什么？换句话说，为什么在别人评估我们的模型时会失去稳定性？
Python计算股票投资组合的风险价值（VaR）
风险价值（VaR）用于尝试量化指定时间范围内公司或投资组合中的财务风险水平。VaR提供了一段时间内投资组合的最大损失的估计，您可以在各种置信度水平上进行计算。
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析
在数据科学学习之旅中，我经常处理日常工作中的时间序列数据集，并据此做出预测。
Python安装TensorFlow 2、tf.keras和深度学习模型的定义
深度学习的预测建模是现代开发人员需要了解的一项技能。
Python中基于网格搜索算法优化的深度学习模型分析糖尿病数据
在本教程中，我们将讨论一种非常强大的优化（或自动化）算法，即网格搜索算法。
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
使用ARIMA模型，您可以使用序列过去的值预测时间序列。
python3用ARIMA模型进行时间序列预测
ARIMA模型是一种流行的且广泛使用的用于时间序列预测的统计方法。
Python贝叶斯回归分析住房负担能力数据集
我想研究如何使用pymc3在贝叶斯框架内进行线性回归。根据从数据中学到的知识进行推断。
python中使用马尔可夫决策过程(MDP)动态编程来解决最短路径强化学习问题
在强化学习中，我们有兴趣确定一种最大化获取奖励的策略。假设环境是马尔可夫决策过程 （MDP）的理想模型 ，我们可以应用动态编程方法来解决强化学习问题。
python机器学习：推荐系统实现（以矩阵分解来协同过滤）
用户和产品的潜在特征编写推荐系统矩阵分解工作原理使用潜在表征来找到类似的产品。
python中使用scikit-learn和pandas决策树进行iris鸢尾花数据分类建模和交叉验证
最近我们被客户要求撰写关于决策树分类的研究报告。将使用著名的iris数据集，该数据集对各种不同的iris类型进行各种测量。
用Python进行图像模糊处理和特征提取
特征提取。但是这里我们需要更深入的数据清理。数据清理是在数据集，表格，文本等上完成的。如何在图像上完成？
用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
最近我们被客户要求撰写关于开发具有多个输出的文本分类模型的研究报告。
