R語言預測實戰 R语言预测实战

游皓麟

無法訂購

買這商品的人也買了...

相關主題

商品描述

<內容簡介>

R語言具有上手快、效率高的特點,它橫跨金融、生物、醫學、因特網等多個領域,主要用於統計、建模及可視化。預測是數據挖掘的主要作用之一,也是大數據時代的核心價值所在。基於R語言來做預測,兼具效率和價值的雙重屬性,這是本書的一大亮點。本書共分為三部分。第一部分講預測基礎,主要涵蓋預測概念理解、預測方法論、分析方法、特徵技術、模型優化及評價,讀者通過這部分內容的學習,可以掌握進行預測的基本步驟和方法思路;第二部分講預測算法,該部分包含了多元回歸分析、複雜回歸分析、時間序列及進階算法,內容比較有難度,需要細心體會;第三部分講預測案例,包括短期日負荷曲線預測和股票價格預測兩個實例,讀者可以瞭解到實施預測時需要關註的技術細節。希望讀者在看完本書後,能夠將本書的精要融會貫通,進一步在工作和學習實踐中提煉價值。

 

<章節目錄>

第一部分  預測入門篇

第1章  預測入門 2

1.1 什麽是預測 3

1.1.1  預測的定義 3

1.1.2  預測的特點 4

1.1.3  預測的分類 4

1.1.4  預測的基本原則 5

1.2 大數據與預測 7

1.2.1  什麽是大數據 7

1.2.2  大數據預測的優勢 9

1.2.3  大數據預測的特徵 9

1.2.4  大數據預測案例 12

1.3 預測利器之R語言 22

1.3.1  R語言簡介 22

1.3.2  R語言預測初步 33

1.3.3  R語言預測常用包 42

第2章  預測方法論 44

2.1 預測流程 45

2.1.1  確定主題 45

2.1.2  收集數據 47

2.1.3  選擇方法 49

2.1.4  分析規律 53

2.1.5  建立模型 57

2.1.6  評估效果 60

2.1.7  發布模型 60

2.2 指導原則 61

2.2.1  界定問題 61

2.2.2  判斷預測法 63

2.2.3  外推預測法 64

2.2.4  因果預測法 66

2.3 團隊構成 66

2.3.1  成員分類 67

2.3.2  數據氛圍 68

2.3.3  團隊合作 70

第3章  分析方法 72

3.1 相關分析 73

3.1.1  自相關分析 73

3.1.2  偏相關分析 74

3.1.3  簡單相關分析 75

3.1.4  互相關分析 83

3.1.5  典型相關分析 84

3.2 對應分析 88

3.3 頻譜分析 92

3.4 趨勢分析 94

3.5 聚類分析 96

3.5.1  K-Means算法 96

3.5.2  系統聚類算法 99

3.6 關聯分析 105

3.6.1  關聯規則挖掘:Apriori與Eclat算法 105

3.6.2  序列模式挖掘:SPADE算法 119

第4章  特徵構建技術 132

4.1 特徵變換 133

4.1.1  概念分層 134

4.1.2  標準化 136

4.1.3  離散化 139

4.1.4  函數變換 142

4.1.5  深入表達 143

4.2 特徵組合 143

4.2.1  基於特定的領域知識 143

4.2.2  二元組合 144

4.2.3  高階多項式 148

4.3 自動生成:基於遺傳編程的方法 152

4.3.1  基本思路 153

4.3.2  特徵表達式 154

4.3.3  產生初始種群 162

4.3.4  計算適應度 163

4.3.5  選擇、交叉和變異 165

4.3.6  實例分析 171

第5章  特徵選擇方法 176

5.1 直接法 177

5.2 單元法 177

5.2.1  Pearson相關系數 177

5.2.2  距離相關系數 179

5.2.3  單因素方差分析 181

5.2.4  信息增益 184

5.2.5  卡方檢驗 191

5.2.6  Gini系數 194

5.3 多元法 198

5.3.1  逐步回歸 198

5.3.2  隨機森林 203

5.3.3  遺傳算法 210

第6章  模型參數優化 213

6.1 交叉驗證 214

6.2 網格搜索 215

6.3 遺傳算法 217

6.3.1  基本概念 217

6.3.2  遺傳算法算例 218

6.3.3  遺傳算法實現步驟 223

6.3.4  遺傳算法R語言實現 223

6.3.5  R語言mcga和genalg包的應用 228

6.4 粒子群優化 233

6.4.1  基本概念及原理 233

6.4.2  粒子群算法R語言實現 235

6.4.3  粒子群算法實現步驟 238

6.4.4  R語言pso包的應用 239

6.5 模擬退火 241

6.5.1  基本概念及原理 241

6.5.2  模擬退火算法R語言實現 242

6.5.3  模擬退火算法實現步驟 244

6.5.4  R語言GenSA和stats包的應用 245

第7章  預測效果評估 250

7.1 概率預測評估方法 251

7.1.1  混淆矩陣 251

7.1.2  ROC曲線 255

7.1.3  KS曲線 261

7.1.4  累計收益圖 263

7.1.5  累計提升圖 264

7.1.6  累計響應圖 266

7.2 數值預測評估方法 267

7.2.1  常見評估指標 267

7.2.2  ASD累計收益圖 270

第二部分  預測算法篇

第8章  線性回歸及其優化 274

8.1 多元線性回歸 275

8.1.1  回歸模型和基本假定 275

8.1.2  最小二乘估計 276

8.1.3  回歸方程和回歸系數的顯著性檢驗 276

8.1.4  多重共線性 277

8.2  Ridge回歸 280

8.2.1  基本概念 281

8.2.2  嶺跡曲線 281

8.2.3  基於GCV準則確定嶺參數 283

8.2.4  Ridge回歸的R語言實現 284

8.3  Lasso回歸 285

8.3.1  基本概念 285

8.3.2  使用LAR求解Lasso 286

8.3.3  Lasso算法的R語言實現 288

8.3.4  R語言lars包的應用 290

8.4 分位數回歸 292

8.4.1  基本概念 292

8.4.2  分位數回歸的計算 294

8.4.3  用單純形法求解分位數回歸及R語言實現 296

8.4.4  R語言quantreg包的應用 298

8.5 穩健回歸 300

8.5.1  基本概念 301

8.5.2  M-估計法及其R語言實現 301

8.5.3  應用R語言MASS包實現穩健回歸 304

第9章  復雜回歸分析 307

9.1 梯度提升回歸樹(GBRT) 308

9.1.1  Boosting方法簡介 308

9.1.2  AdaBoost算法 308

9.1.3  提升回歸樹算法 311

9.1.4  梯度提升 312

9.1.5  GBRT的R語言實現 314

9.1.6  R語言gbm包的應用 316

9.2 神經網絡 320

9.2.1  基本概念 320

9.2.2  單層感知器學習算法 322

9.2.3  SLP回歸算法的R語言實現 323

9.2.4  BP神經網絡學習算法 325

9.2.5  BP回歸算法的R語言實現 327

9.2.6  RBF神經網絡學習算法 330

9.2.7  RBF回歸算法的R語言實現 332

9.2.8  Elman神經網絡學習算法 334

9.2.9  Elman回歸算法的R語言實現 336

9.2.10  使用R語言包構建神經網絡 338

9.3 支持向量機回歸 343

9.3.1  基本問題 344

9.3.2  LS-SVMR算法 347

9.3.3  LS-SVMR算法的R語言實現 348

9.4 高斯過程回歸 349

9.4.1  GPR算法 350

9.4.2  GPR算法的R語言實現 352

9.4.3  R語言kernlab包的應用 355

第10章  時間序列分析 358

10.1  Box-Jenkins方法 359

10.1.1  p階自回歸模型 359

10.1.2  q階移動平均模型 361

10.1.3  自回歸移動平均模型 363

10.1.4  ARIMA模型 365

10.1.5  ARIMA模型的R語言實現 367

10.1.6  R語言forecast包的應用 373

10.2 門限自回歸模型 376

10.2.1  TAR模型的基本原理 376

10.2.2  TAR模型的R語言實現 377

10.2.3  R語言TSA包的應用 380

10.3  GARCH模型族 382

10.3.1  線性ARCH模型 382

10.3.2  GRACH模型 383

10.3.3  EGARCH模型 384

10.3.4  Power ARCH模型 384

10.3.5  PARCH模型的R語言實現 385

10.3.6  R語言fGarch包的應用 395

10.4 向量自回歸模型 398

10.4.1  VAR模型基本原理 398

10.4.2  VAR模型的R語言實現 399

10.4.3  R語言vars包的應用 403

10.5 卡爾曼濾波器算法 405

10.5.1  Kalman濾波算法初步 406

10.5.2  Kalman濾波的R語言實現 407

10.5.3  R語言FKF包的應用 409

第三部分  預測應用篇

第11章  短期日負荷曲線預測 414

11.1 電力行業負荷預測介紹 415

11.2 短期日負荷曲線預測的基本要求 415

11.3 預測建模準備 416

11.3.1  基礎數據採集 416

11.3.2  缺失數據處理及平滑 418

11.3.3  潛在規律分析 421

11.4 基於RBF神經網絡的預測 426

11.4.1  RBF網絡結構設計 426

11.4.2  確定最優參數 427

11.4.3  建模並實現預測 431

11.4.4  效果評估 433

11.5 基於LS-SVMR算法的預測 435

11.5.1  確定最優參數 436

11.5.2  建模並實現預測 438

11.5.3  效果評估 439

第12章  股票價格預測 442

12.1 股票市場簡介 443

12.1.1  股票的基本概念 443

12.1.2  股票市場常用術語 443

12.1.3  股價波動的影響因素 447

12.2 獲取股票數據 452

12.3 基於VAR算法的預測 455

12.3.1  平穩性檢驗 455

12.3.2  VAR模型定階 456

12.3.3  預測及效果驗證 457

參考文獻 459