R语言谱聚类、K-means聚类分析非线性环状数据比较
有些问题是线性的,但有些问题是非线性的。
有些问题是线性的,但有些问题是非线性的。
录取情况反映了公众对一所大学水平和实力的认知,是评价一所大学及其专业 “知名度 “的重要指标。
本文将谈论Stan以及如何在R中使用rstan创建Stan模型。
回归数据可以用Keras深度学习API轻松拟合。
标准化发病率(SIR)或死亡率(SMR)是观察病例和期望病例的比率。
在频率学派中,观察样本是随机的,而参数是固定的、未知的数量。
自回归条件异方差(ARCH)模型涉及具有时变异方差的时间序列,其中方差是以特定时间点的现有信息为条件的。
在本文中,我们将学习如何使用keras,用手写数字图像数据集(即MNIST)进行深度学习。
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。
本文与以下两个问题有关。你应该如何在回归中添加虚拟变量?你应该如何解释结果?
对于不熟悉的人来说,围绕混合模型的术语,特别是跨学科的术语,可能有点令人困惑。你可能遇到的关于这些类型的模型的一些术语包括。
这个例子展示了如何使用深度学习长短期记忆(LSTM)网络对文本数据进行分类。
定量战术资产配置策略(QATAA)模型是使用10个月的移动平均线作为过滤器。
本文目标是创建合成波动率指数
在这个文章中,我们演示了copula GARCH方法(一般情况下)。
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。
我们介绍贝叶斯分析,这个例子是关于职业足球比赛的进球数。
数学模型的统计评价通常是通过考虑测试统计量来进行的,测试统计量表示观察数据和拟合模型的数据之间的差异。
这个例子展示了如何用Matlab实现贝叶斯优化,使用分位数误差调整回归树随机森林的超参数。
Rasch 分析是获得客观的、最基本的累加型测量值(兼顾分析模型中的标准误和质量控制如拟合统计值)的一种分析方法,适用于通过随机观测有序、分级类反应获得的数据分析。
这个数据集可以追溯到1988年,由四个数据库组成。
在本文中,我们将用R语言对数据进行线性混合效应模型的拟合,然后可视化你的结果。
假设我们需要设计一个抽样调查,有一个完整的框架,包含目标人群的信息(识别信息和辅助信息)。
蒙特卡洛方法利用随机数从概率分布P(x)中生成样本,并从该分布中评估期望值,该期望值通常很复杂,不能用精确方法评估。
跳跃扩散过程为连续演化过程中的偏差提供了一种建模手段。
最近我们被客户要求撰写关于时间序列的研究报告。我们做的第一件事是清除当前环境中的所有变量。这可以通过以下命令进行。
一旦我们清理了我们的文本并进行了一些基本的词频分析,下一步就是了解文本中的观点或情感。这被认为是情感分析,本教程将引导你通过一个简单的方法来进行情感分析。
逻辑回归是一种拟合回归曲线的方法,y=f(x),当y是一个分类变量时。
贝叶斯网络(BN)是一种基于有向无环图的概率模型,它描述了一组变量及其相互之间的条件依赖性。
使用glmnet软件包中的相关函数对岭回归和lasso套索回归进行分析。
随着社会经济的发展,饮食生活已经逐渐融入了我们的日常生活世界,每天都不可避免地在 “吃 “的问题上有更多的考虑,吃好、吃多已经不再是我们的烦恼。
这篇文章假定你已经知道如何用igraph库建立一个基本的网络图。
这个数据集常用于数据概述、可视化和聚类模型。
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。
本文将介绍R中可用于投资组合优化的不同求解器。
当需要为数据选择最合适的预测模型或方法时,预测者通常将可用的样本分成两部分:内样本(又称 “训练集”)和保留样本(或外样本,或 “测试集”)。
(a)部分:k-means聚类
使用k-means聚类法将数据集聚成2组。
画一个图来显示聚类的情况
使用k-means聚类法将数据集聚成3组。
画一个图来显示聚类的情况
(b)部分:层次聚类
使用全连接法对观察值进行聚类。
使用平均和单连接对观测值进行聚类。
绘制上述聚类方法的树状图。
Nelder-Mead方法是最著名的无导数方法之一,它只使用f的值来搜索最小值。过程:
最近我们被客户要求撰写关于GLM模型的研究报告。具体来说,本教程重点介绍逻辑回归在二元结果和计数/比例结果情况下的使用,以及模型评估的方法。
然而,诸如性别、季节、地点等变量则不能用数字来衡量。相反,我们使用虚拟变量来衡量它们。
Python计算获得多资产投资组合的风险度量。
我们经常使用的一个关系性指标是相关性。通过可以利用数据框架和绘图来帮助探索相关关系。
主成分分析法是数据挖掘中常用的一种降维算法。
对于庞大的公交地铁路线信息的数据挖掘,一般软件遇到的问题主要有两点:1.对于文本信息的挖掘,特别是中文词汇的挖掘,缺乏成熟的工具或者软件包,2.对于大数据量,一般软件的读取和处理会遇到问题。
这个例子说明了一个函数拟合的神经网络如何根据测量结果来估计脂肪百分比。
关联规则挖掘是一种无监督的学习方法,从交易数据中挖掘规则。
Lease Absolute Shrinkage and Selection Operator(LASSO)在给定的模型上执行正则化和变量选择。
贝叶斯回归分位数在最近的文献中受到广泛关注,本文实现了贝叶斯系数估计和回归分位数(RQ)中的变量选择,带有lasso和自适应lasso惩罚的贝叶斯。
虽然我对高频噪音中出现信号的有效性有一些怀疑,但我还是决定使用GARCH模型研究一下收益率的统计模型。与每日和较低频率的收益不同,日内高频数据有某些特殊的特点,使得使用标准的建模方法是无效的。
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。
状态空间建模是一种高效、灵活的方法,用于对大量的时间序列和其他数据进行统计推断。本文介绍了状态空间建模,其观测值来自指数族,即高斯、泊松、二项、负二项和伽马分布。
就香水市场份额而言,亚洲占全球销售额的8%,仅占拉丁美洲的20%,而中国仅占全球销售额的0.8%。
这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法。
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。
既包括传统的方法,如单变量和多变量正态混合的EM算法,也包括反映有限混合模型的一些最新研究的方法。许多算法都是EM算法或基于类似EM的思想,因此本文包括有限混合模型的EM算法的概述。
本报告是对心脏研究的机器学习/数据科学调查分析。更具体地说,我们的目标是在心脏研究的数据集上建立一些预测模型,并建立探索性和建模方法。但什么是心脏研究?
今天我们将计算投资组合收益的CAPM贝塔。这需要拟合一个线性模型,得到可视化,从资产收益的角度考虑我们的结果的意义。
本文是极端值推断的内容。我们在广义帕累托分布上使用最大似然方法。
新零售,顾名思义,就是与 传统零售 完全不同的,一种新的零售模式。
资产价格具有随时间变化的波动性(逐日收益率的方差)。
对于线性关系,我们可以进行简单的线性回归。对于其他关系,我们可以尝试拟合一条曲线。
在大数据的趋势下,我们经常需要做预测性分析来帮助我们做决定。
标准的ARIMA(移动平均自回归模型)模型允许只根据预测变量的过去值进行预测。
我们将使用葡萄酒数据集进行主成分分析。
本文是一个简短的教程,在R中拟合BRT(提升回归树)模型。我们的目标是使BRT(提升回归树)模型应用于生态学数据,并解释结果。
本文展示了如何使用扩展卡尔曼滤波器进行故障检测。本文使用扩展的卡尔曼滤波器对一个简单的直流电机的摩擦力进行在线估计。
简要地提供了在经济学中使用模型平均和贝叶斯方法的论据,使用了动态模型平均法(DMA),并与ARIMA、TVP等方法进行比较。希望对经济和金融领域的从业人员和研究人员有用。
永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。
技术干货
最新洞察
This will close in 0 seconds