【视频】R语言机器学习高维数据应用：Lasso回归和交叉验证预测房屋市场租金价格
WeChat Tencent QQ email print 由Junjun Li撰写 然而，如何准确地预测房屋
Tag Archives: 预测
R语言武汉流动人口趋势预测：灰色模型GM（1，1）、ARIMA时间序列、logistic逻辑回归模型
人口流动与迁移，作为人类产生以来就存在的一种社会现象，伴随着人类文明的不断进步从未间断。
R语言LASSO特征选择、决策树CART和CHAID算法电商网站购物行为预测分析
本文通过分析电子商务平台的用户购物行为，帮助客户构建了一个基于决策树模型的用户购物行为预测分析模型。
R语言ARIMA模型分析预测上海空气质量指数AQI时间序列
指数平滑法对于预测来说是非常有帮助的，而且它对时间序列上面连续的值之间相关性没有要求。
R语言神经网络模型预测多元时间序列数据可视化
多元时间序列建模一直是吸引了来自经济，金融和交通等各个领域的研究人员的主题。
R语言GAMLSS模型对艾滋病病例、降雪量数据拟合、预测、置信区间实例可视化
GAMLSS模型是一种半参数回归模型，参数性体现在需要对响应变量作参数化分布的假设，非参数性体现在模型中解释变量的函数可以涉及非参数平滑函数，非参数平滑函数不预先设定函数关系，各个解释变量的非线性影响结果完全取决于样本数据。
Python、MATLAB股票投资：ARIMA模型最优的选股方案和投资组合方案与预测
基于当前统计的股票数据选择最优的选股方案和投资组合方案，以及预测股票价格未来一段时间的走向趋势以及波动程度，具有很大的实用价值
R语言CART决策树、随机森林、chaid树预测母婴电商平台用户寿命、流失可视化
借着二胎政策的开放与家庭消费升级的东风，母婴市场迎来了生机盎然的春天，尤其是母婴电商行业，近年来发展迅猛。
R语言SVR支持向量机多元回归、网格搜索超参数优化预测猪粮比价格变动率数据
我们最近有一个很棒的机会与一位伟大的客户合作，要求构建一个适合他们需求的持向量机回归模型。
SAS与eviews用ARIMA模型对我国大豆产量时间序列预测、稳定性、白噪声检验可视化
我国以前一直以来都是世界上大豆生产的第一大国。
Python用逻辑回归、决策树、SVM、XGBoost 算法机器学习预测用户信贷行为数据分析报告
摘要:此报告首先将dataset进行数据清洗，得到dataset_new。
Python用Lstm神经网络、离散小波转换DWT降噪对中压电网电压时间序列预测
对于电力公司来说，对局部放电的准确预测可以显著降低人力物力成本。
python用回归、arima、随机森林、GARCH模型分析国债期货波动性、收益率、价格预测
让个人购买人员了解美国国债期货的特性，以便于进行个人投资及管理。
MATLAB用GARCH-EVT-Copula模型VaR预测分析股票投资组合
最近我们被客户要求撰写关于投资组合的研究报告，引入Copula来描述多只股票间的非线性相关性，构建多元GARCH-EVT-Copula模型来度量开放式基金的风险，并与其他VaR估计方法的预测结果进行比较。
R语言用CPV模型的房地产信贷信用风险的度量和预测
本文基于 CPV 模型, 对房地产信贷风险进行了度量与预测。
R语言用RFM、决策树模型顾客购书行为的数据预测
团队需要分析一个来自在线零售商的数据集。
R语言收益率和波动性模拟股票价格COMP226带自测题
在本工作表中，我们将研究价格、收益率和波动性。波动性通常用收益率的均方差来衡量，例如夏普比率的分母，它被用作风险的衡量标准。
美光科技股票基本分析：经济背景、行业分析财政状况（盈利、EBITDA、PP&E、D&A等）预测计算DCF
本文收集信息和数据，从多方面评估分析美光科技的市场走向，商业前景。
数据分享|WEKA用决策树、随机森林、支持向量机SVM、朴素贝叶斯、逻辑回归信贷违约预测报告
数据变得越来越重要，其核心应用“预测”也成为互联网行业以及产业变革的重要力量。
R语言用logistic逻辑回归和AFRIMA、ARIMA时间序列模型预测世界人口
本文应用R软件技术，通过在世界银行网站上查阅的世界人口历史数据，分别利用logistic模型、ARFMA模型、ARIMA模型、时间序列模型对从2016到2100年的世界人口进行预测。
R语言GLM广义线性模型：逻辑回归、泊松回归拟合小鼠临床试验数据（剂量和反应）示例和自测题
在拟合 GLM（并检查残差）之后，可以使用 z 检验一一检验估计参数的显着性，即将估计值与其标准误差进行比较。
Python用ARIMA ，ARIMAX预测商店商品销售需求时间序列数据
本文在相对简单的数据集上探索不同的时间序列技术。
Matlab随机波动率SV、GARCH用MCMC马尔可夫链蒙特卡罗方法分析汇率时间序列
波动率是一个重要的概念，在金融和交易中有许多应用。它是期权定价的基础。波动率还可以让您确定资产配置并计算投资组合的风险价值 (VaR)。
Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测
此示例说明如何使用长短期记忆 (LSTM) 网络预测时间序列
Matlab用向量误差修正VECM模型蒙特卡洛Monte Carlo预测债券利率时间序列和MMSE 预测
此示例说明如何从 VEC( q ) 模型生成 Monte Carlo 预测。
R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列
风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量，也被投资组合经理等从业者用来解释未来市场风险。
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
MATLAB用深度学习长短期记忆 (LSTM) 神经网络对智能手机传感器时间序列数据进行分类
此示例说明如何使用长短期记忆 (LSTM) 网络对序列数据的每个时间步长进行分类。
R语言广义线性模型GLM：线性最小二乘、对数变换、泊松、二项式逻辑回归分析冰淇淋销售时间序列数据和模拟
线性模型是统计学的基础，但它的意义远不止用尺子在几个点上画一条线。
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。
回归树模型分析纪录片播放量影响因素
纪录片能够真实、详尽地反映一个地区的风貌，展示经济发展和社会进步。
R语言单变量和多变量（多元）动态条件相关系数DCC-GARCH模型分析股票收益率金融时间序列数据波动率
当您处理金融时间序列时，我们通常可以获得相对高频的观察结果。
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语言向量自回归VAR的迭代多元预测估计 GDP 增长率时间序列
VARs的结构也允许联合检验多个方程的限制。
R语言多变量广义正交GARCH（GO-GARCH）模型对股市高维波动率时间序列拟合预测
在多变量波动率预测中，我们有时会看到对少数主成分驱动的协方差矩阵建模，而不是完整的股票。
R语言GJR-GARCH和GARCH波动率预测普尔指数时间序列和Mincer Zarnowitz回归、DM检验、JB检验
在投资组合管理、风险管理和衍生品定价中，波动性起着重要作用。
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。
R语言ARIMA、ARIMAX、 动态回归和OLS 回归预测多元时间序列
当ARIMA模型包括其它时间序列作为输入变量时,被称为传递函数模型(transfer function model)、多变量时间序列模型(multivariate time series model)、ARIMAX模型或Box-Tiao模型。
R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列
对于时间序列分析，有两种数据格式： ts （时间序列）和 xts （可扩展时间序列）。
R语言群组变量选择、组惩罚group lasso套索模型预测分析新生儿出生体重风险因素数据和交叉验证、可视化
本文介绍具有分组惩罚的线性回归、GLM和Cox回归模型的正则化路径。
R 语言用RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
2017 年年中，R 推出了 Keras 包 ，这是一个在 Tensorflow 之上运行的综合库，具有 CPU 和 GPU 功能。本文将演示如何在 R 中使用 LSTM 实现时间序列预测。
R语言模拟和预测ARIMA模型、随机游走模型RW时间序列趋势可视化
当一个序列遵循随机游走模型时，就说它是非平稳的。
SAS分类决策树预测贷款申请评分剪枝和结果可视化
分类树的一个常见用途是预测抵押贷款申请人是否会拖欠贷款。
R语言主成分分析PCA谱分解、奇异值分解SVD预测分析运动员表现数据和降维可视化
本文描述了如何 使用内置 R 执行主成分分析 ( PCA )。
R语言逻辑回归、随机森林、SVM支持向量机预测Framingham心脏病风险和模型诊断可视化
世界卫生组织估计全世界每年有 1200 万人死于心脏病。
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。
Matlab广义线性模型glm泊松回归的lasso、弹性网络正则化分类预测考试成绩数据和交叉验证可视化
WeChat Tencent QQ email print 由Kaizong Ye，Coin Ge撰写 使用l
R语言非线性回归nls、线性插值探索分析河流阶段性流量数据和评级曲线、流量预测可视化
本文档通过一些探索性数据分析来制定河流的评级曲线和流量预测。
R语言Garch建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化
我们研究波动聚集，以及使用单变量 GARCH(1,1) 模型对其进行建模。
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。
MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测
使用 garch 指定一个单变量GARCH（广义自回归条件异方差）模型。
R语言贝叶斯广义线性混合（多层次/水平/嵌套）模型GLMM、逻辑回归分析教育留级影响因素数据
本教程使用R介绍了具有非信息先验的贝叶斯 GLM（广义线性模型）。
R语言极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析
本文用 R 编程语言极值理论 (EVT) 以确定 10 只股票指数的风险价值（和条件 VaR）。
R语言BUGS序列蒙特卡罗SMC、马尔可夫转换随机波动率SV模型、粒子滤波、Metropolis Hastings时间序列分析
在这个例子中，我们考虑马尔可夫转换随机波动率模型。
R语言主成分回归（PCR）、 多元线性回归特征降维分析光谱数据和汽车油耗、性能数据
什么是PCR？（PCR = PCA + MLR）
R语言用贝叶斯线性回归、贝叶斯模型平均 (BMA)来预测工人工资
贝叶斯模型提供了变量选择技术，确保变量选择的可靠性。
R语言用加性多元线性回归、随机森林、弹性网络模型预测鲍鱼年龄和可视化
铁和泛酸的极好来源，是澳大利亚、美国和东亚的营养食品资源和农业。100 克鲍鱼可提供超过 20% 的每日推荐摄入量。鲍鱼的经济价值与其年龄呈正相关。因此，准确检测鲍鱼的年龄对于养殖者和消费者确定其价格非常重要。
matlab数据可视化交通流量分析天气条件、共享单车时间序列数据
此示例说明如何使用从传感器获得的数据分析共享单车交通模式， 来预处理带时间戳的数据。数据来自传感器。
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。
R语言平滑算法LOESS局部加权回归、三次样条、变化点检测拟合电视节目《白宫风云》在线收视率
此示例基于电视节目的在线收视率。我们将从抓取数据开始。
R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
本文的目标是使用各种预测模型预测Google的未来股价，然后分析各种模型。
R语言指数平滑法holt-winters分析谷歌Google Analytics博客用户访问时间序列数据
最近我们被客户要求撰写关于谷歌Google Analytics分析的研究报告。在等距时间段内以一系列点获得的数据通常称为时间序列数据。
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。
R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列
在本文中，我们将尝试为苹果公司的日收益率寻找一个合适的 GARCH 模型。
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。
R语言深度学习Keras循环神经网络(RNN)模型预测多输出变量时间序列
递归神经网络被用来分析序列数据。
