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 )。
Tag Archives: 预测
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。
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。
R语言用假近邻长短期记忆人工神经网络FNN-LSTM模型进行时间序列深度学习预测4个案例
在最近的一篇文章中，我们展示了一个LSTM模型，通过假近邻（FNN）损失进行正则化，可以用来重建一个非线性动态系统。
R语言用AR，MA，ARIMA 模型进行时间序列预测
本文讨论用ARIMA模型进行预测。考虑一些简单的平稳的AR（1）模拟时间序列
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。
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
用于R语言的多层感知器（MLP）和极限学习机（ELM）进行时间序列预测。
R语言逻辑回归Logistic回归分析预测股票涨跌
本文回答了关于逻辑回归的问题：它与线性回归有什么不同，如何在R中用glm()函数拟合和评估这些模型等等？
R语言深度学习：用keras神经网络回归模型预测时间序列数据
回归数据可以用Keras深度学习API轻松拟合。
MATLAB基于贝叶斯模型的随机森林预测方法分析汽车燃油经济性
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。
R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病
这个数据集可以追溯到1988年，由四个数据库组成。
R语言多元时间序列滚动预测：ARIMA、回归、ARIMAX模型分析
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”）。
MATLAB中用BP神经网络预测人体脂肪百分比数据
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。
R语言Lasso回归模型变量选择和糖尿病发展预测模型
Lease Absolute Shrinkage and Selection Operator（LASSO）在给定的模型上执行正则化和变量选择。
R语言乘法GARCH模型对高频交易数据进行波动性预测
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。
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。
R语言状态空间模型和卡尔曼滤波预测酒精死亡人数时间序列
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。
R语言随机森林RandomForest、逻辑回归Logisitc预测心脏病数据和可视化分析
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？
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）。
R语言使用ARIMAX预测失业率经济时间序列数据
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。
R语言用ARIMA模型，ARIMAX模型预测冰淇淋消费时间序列数据
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。
R语言生态学建模：增强回归树（BRT）预测短鳍鳗生存分布和影响因素
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。
R语言经济学：动态模型平均(DMA)、动态模型选择(DMS)预测原油价格时间序列
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。
R语言逻辑回归（Logistic回归）模型分类预测病人冠心病风险
本文的目的是完成一个逻辑回归分析。使你对分析步骤和思维过程有一个基本概念。
R语言用LASSO，adaptive LASSO 预测通货膨胀时间序列
如果你了解数据科学领域，你可能听说过LASSO。LASSO是一个对目标函数中的参数大小进行惩罚的模型，试图将不相关的变量从模型中排除。
R语言非参数方法：使用核回归平滑估计和K-NN(k近邻算法)分类预测心脏病数据
本文考虑一下基于核方法进行分类预测。注意，在这里，我们不使用标准逻辑回归，它是参数模型。
R语言和Stan,JAGS：用rstan,rjag建立贝叶斯多元线性回归预测数据
本文将介绍如何在R中做贝叶斯回归分析，R中有不少包可以用来做贝叶斯回归分析，比如最早的（同时也是参考文献和例子最多的）R2WinBUGS包。
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。
R语言贝叶斯线性回归和多元线性回归构建工资预测模型
在劳动经济学领域，收入和工资的研究为从性别歧视到高等教育等问题提供了见解。
R语言基于Bootstrap的线性回归预测置信区间估计方法
我们知道参数的置信区间的计算，这些都服从一定的分布(t分布、正态分布），因此在标准误前乘以相应的t分值或Z分值。
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。
R语言分段线性回归分析预测车辆的制动距离
分段回归( piecewise regression )，顾名思义，回归式是“分段”拟合的。
R语言广义相加模型 (GAMs)分析预测CO2时间序列数据
环境科学中的许多数据不适合简单的线性模型，最好用广义相加模型（GAM）来描述。<
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。
数据分析促进白血病预测诊断
2019年,全球八个主要国家的18岁以上男女共诊断出72,164例急性髓细胞白血病(AML)。
R语言ARIMA，SARIMA预测道路交通流量时间序列分析:季节性、周期性
本文从实践角度讨论了季节性单位根。
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。
R语言基于递归神经网络RNN的温度时间序列预测
在本文中，我们将介绍三种提高循环神经网络性能和泛化能力的高级技术。
R语言神经网络模型预测车辆数量时间序列
具有单个隐藏层和滞后输入的前馈神经网络，可以用于预测单变量时间序列。
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。
R语言用泊松Poisson回归、GAM样条曲线模型预测骑自行车者的数量
我根据泊松Poisson回归、GAM样条曲线模型对一个十字路口的骑自行车者的数量进行预测
R语言ARIMA集成模型预测时间序列分析
本文我们使用4个时间序列模型对每周的温度序列建模。
R语言分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷时间序列预测
电力负荷预测是电网规划的基础，其水平的高低将直接影响电网规划质量的优劣。
R语言混合图形模型MGM的网络可预测性分析
网络模型已经成为抽象复杂系统，是深入了解许多科学领域中观测变量之间的关系模式的流行方法。
