预测是通过基于来自过去和当前状态的信息来对将要发生的事情做出判断。
最近我们被客户要求撰写关于彩票预测的研究报告。每个人每天都以不同程度的成功概率解决预测问题。例如，需要预测天气，收益，能源消耗，外汇货币对或股票，地震和许多其他东西的变动…
可下载资源
预测分析
通过分类，深度学习能够在例如图像中的像素和人的名称之间建立相关性。你可以称之为静态预测。出于同样的原因，暴露于足够的正确数据，深度学习能够建立当前事件和未来事件之间的相关性。从某种意义上说，未来的事件就像标签一样。深度学习并不一定关心时间，或者事情尚未发生。给定时间序列，深度学习可以读取一串数字并预测下一个最可能发生的数字。
×
人工神经网络（Neural Networks）在双色球彩票中的应用研究网上已经有比较多的研究论文和资料，最近比较火的AlphaGo中用到的深度学习在双色球预测上还没有相关论文，以后研究成果出来将逐步更新内容。
神经网络的好处就是可以自己纠正，可以自己生成节点，错误的输入也可以给你输出接近正确的结果。
这个就是为什么叫做智能，他会自动根据情况跟人脑思维一样进行学习，进化而不是单纯的执行命令了。
普通过滤算法就是单线的执行，根据我的输入根据写好的逻辑算法直接给出输出，没有自动纠错功能，容错性比较差。
你可以把人工智能想象成一个有人的思维的超级强大计算，学习能力的大脑，可以处理大量数据，复杂算法轻松得出结果，而且有自我学习，发现新的规律的，越来越聪明，越来越能够得出你想要的准确数据的东西。目前比例流行的深度学习+大数据的方式。
阶段I.图形：看数据;
1.单变量：形状和分布; （点/抖动图，直方图和核密度估计，累积分布函数，秩序…）
2.两个变量：建立关系; （散点图，征服噪声，对数图，银行……）
3.时间变量：时间序列分析; （平滑，关联，过滤器，卷积..）
4.两个以上的变量;图形多变量分析;（假彩色图，多图……）
5.Intermezzo：一个数据分析会议;（Session，gnuplot ..）
6 …
数据样例
2011001;3;9;20;24;26;32;10
2011002;6;8;12;17;28;33;5
2011003;13;14;21;22;23;27;4
2011004;4;6;8;10;13;26;5
2011005;6;9;12;14;20;22;13
2011006;1;3;5;13;16;18;5
2011007;1;9;17;24;26;31;5
2011008;10;12;13;17;24;31;15
2011009;17;18;23;24;25;26;4
2011010;1;4;5;9;15;19;13
2011011;1;12;18;19;21;24;10
2011012;7;8;11;13;15;26;13
2011013;1;3;13;16;21;22;8
2011014;5;7;10;11;23;26;1对数据可视化
import random
for x in range(0,6):#NUM_OF_RED=6
choice_num_red = random.choice( redBalls )
print( choice_num_red )
redBalls.remove(choice_num_red)
for y in range(0,1):#NUM_OF_BLUE=1
choice_num_blue = random.choice( blueBalls )
print( choice_num_blue )
#scipy test code
#matplotlib test
print(pylab.plot(abs(b)))
#show()
#from matplotlib.mlab import normpdf
#import matplotlib.numerix as nx
#import pylab as p
#
#x = nx.arange(-4, 4, 0.01)
#y = normpdf(x, 0, 1) # unit normal
#p.plot(x,y, color='red', lw=2)
#p.show()数据分布
plt.plot(dfs_blue_balls_count_values,'x',label='Dot plot')
plt.legend()
plt.ylabel('Y-axis,number of blue balls')
plt.xlabel('X-axis,number of duplication')
plt.show()
#Jitter plot
idx_min = min(dfs_blue_balls_count_values)
idx_max = max(dfs_blue_balls_count_values)
idx_len = idx_max-idx_min
print("min:",idx_min,"max:",idx_max)
num_jitter = 0
samplers = random.sample(range(idx_min,idx_max),idx_len)
while num_jitter < 5:
samplers += random.sample(range(idx_min,idx_max),idx_len)
num_jitter += 1
##lots of jitter effect
print("samplers:",samplers)
#plt.plot(samplers,'ro',label='Jitter plot')
#plt.ylabel('Y-axis,number of blue balls')
#plt.xlabel('X-axis,number of duplication')
#plt.legend()
#plt.show()
#Histograms and Kernel Density Estimates:
#Scott rule,
#This rule assumes that the data follows a Gaussian distribution;
#Plotting the blue balls appear frequency histograms(x-axis:frequency,y-axis:VIPs)
##@see http://pandas.pydata.org/pandas-docs/dev/basics.html#value-counts-histogramming
num_of_bin = len(series_blue_balls_value_counts)
array_of_ball_names = series_blue_balls_value_counts.keys()
print("Blue ball names:",array_of_ball_names)
list_merged_by_ball_id = []
for x in xrange(0,num_of_bin):
num_index = x+1.5
list_merged_by_ball_id += [num_index]*dfs_blue_balls_count_values[x]
print("list_merged_by_ball_id:",list_merged_by_ball_id)
##Histograms plotting
plt.hist(list_merged_by_ball_id, bins=num_of_bin)
plt.legend()
plt.xlabel('Histograms,number of appear time by blue ball number')
plt.ylabel('Histograms,counter of appear time by blue ball number')
plt.show()
###Gaussian_KDE
##CDF(The Cumulative Distribution Function
from scipy.stats import cumfreq
idx_max = max(dfs_blue_balls_count_values)
hi = idx_max
a = numpy.arange(hi) ** 2
# for nbins in ( 2, 20, 100 ):
for nbins in dfs_blue_balls_count_values:
cf = cumfreq(a, nbins) # bin values, lowerlimit, binsize, extrapoints
w = hi / nbins
x = numpy.linspace( w/2, hi - w/2, nbins ) # care
# print x, cf
plt.plot( x, cf[0], label=str(nbins) )
plt.legend()
plt.xlabel('CDF,number of appear time by blue ball number')
plt.ylabel('CDF,counter of appear time by blue ball number')
plt.show()
###Optional: Comparing Distributions with Probability Plots and QQ Plots
###Quantile plot of the server data. A quantile plot is a graph of the CDF with the x and y axes interchanged.
###Probability plot for the data set shown,a standard normal distribution:
###@see: http://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.probplot.html
import scipy.stats as stats
prob_measurements = numpy.random.normal(loc = 20, scale = 5, size=num_of_bin)
stats.probplot(prob_measurements, dist="norm", plot=plt)
plt.show()
阶段II.Analytics：建模数据;
1.评估;
2.缩放参数的模型;
3.概率模型的分析;
4 …
第三阶段。计算：挖掘数据;
1.Simulations;
2.寻找集群;
3.在森林中寻找决策树;
4 ….
第四阶段。应用：使用数据;
1.报告，BI（商业智能），仪表板;
2.财务计算和建模;
3.预测分析;
4 ….
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
from os import path
import numpy
import tensorflow as tf
from tensorflow.contrib.timeseries.python.timeseries import estimators as ts_estimators
from tensorflow.contrib.timeseries.python.timeseries import model as ts_model
try:
import matplotlib # pylint: disable=g-import-not-at-top
matplotlib.use("TkAgg") # Need Tk for interactive plots.
from matplotlib import pyplot # pylint: disable=g-import-not-at-top
HAS_MATPLOTLIB = True
except ImportError:
# Plotting requires matplotlib, but the unit test running this code may
# execute in an environment without it (i.e. matplotlib is not a build
# dependency). We'd still like to test the TensorFlow-dependent parts of this
# example.
HAS_MATPLOTLIB = False
_MODULE_PATH = path.dirname(__file__)
_DATA_FILE = path.join(_MODULE_PATH, "data/multivariate_periods.csv")
Python遗传算法GA对长短期记忆LSTM深度学习模型超参数调优分析司机数据
R语言神经网络与决策树的银行顾客信用评估模型对比可视化研究
R语言神经网络模型金融应用预测上证指数时间序列可视化
SPSS Modeler决策树和神经网络模型对淘宝店铺服装销量数据预测可视化
