R语言预测实战2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

R语言预测实战PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分 预测入门篇2

第1章 预测入门2

1.1 什么是预测3

1.1.1 预测的定义3

1.1.2 预测的特点4

1.1.3 预测的分类4

1.1.4 预测的基本原则5

1.2 大数据与预测7

1.2.1 什么是大数据7

1.2.2 大数据预测的优势9

1.2.3 大数据预测的特征9

1.2.4 大数据预测案例12

1.3 预测利器之R语言22

1.3.1 R语言简介22

1.3.2 R语言预测初步33

1.3.3 R语言预测常用包42

第2章 预测方法论44

2.1 预测流程45

2.1.1 确定主题45

2.1.2 收集数据47

2.1.3 选择方法49

2.1.4 分析规律53

2.1.5 建立模型57

2.1.6 评估效果60

2.1.7 发布模型60

2.2 指导原则61

2.2.1 界定问题61

2.2.2 判断预测法63

2.2.3 外推预测法64

2.2.4 因果预测法66

2.3 团队构成66

2.3.1 成员分类67

2.3.2 数据氛围68

2.3.3 团队合作70

第3章 分析方法72

3.1 相关分析73

3.1.1 自相关分析73

3.1.2 偏相关分析74

3.1.3 简单相关分析75

3.1.4 互相关分析83

3.1.5 典型相关分析84

3.2 对应分析88

3.3 频谱分析92

3.4 趋势分析94

3.5 聚类分析96

3.5.1 K-Means算法96

3.5.2 系统聚类算法99

3.6 关联分析105

3.6.1 关联规则挖掘：Apriori与Eclat算法105

3.6.2 序列模式挖掘：SPADE算法119

第4章 特征构建技术132

4.1 特征变换133

4.1.1 概念分层134

4.1.2 标准化136

4.1.3 离散化139

4.1.4 函数变换142

4.1.5 深入表达143

4.2 特征组合143

4.2.1 基于特定的领域知识143

4.2.2 二元组合144

4.2.3 高阶多项式148

4.3 自动生成：基于遗传编程的方法152

4.3.1 基本思路153

4.3.2 特征表达式154

4.3.3 产生初始种群162

4.3.4 计算适应度163

4.3.5 选择、交叉和变异165

4.3.6 实例分析171

第5章 特征选择方法176

5.1 直接法177

5.2 单元法177

5.2.1 Pearson相关系数177

5.2.2 距离相关系数179

5.2.3 单因素方差分析181

5.2.4 信息增益184

5.2.5 卡方检验191

5.2.6 Gini系数194

5.3 多元法198

5.3.1 逐步回归198

5.3.2 随机森林203

5.3.3 遗传算法210

第6章 模型参数优化213

6.1 交叉验证214

6.2 网格搜索215

6.3 遗传算法217

6.3.1 基本概念217

6.3.2 遗传算法算例218

6.3.3 遗传算法实现步骤223

6.3.4 遗传算法R语言实现223

6.3.5 R语言mcga和genalg包的应用228

6.4 粒子群优化233

6.4.1 基本概念及原理233

6.4.2 粒子群算法R语言实现235

6.4.3 粒子群算法实现步骤238

6.4.4 R语言pso包的应用239

6.5 模拟退火241

6.5.1 基本概念及原理241

6.5.2 模拟退火算法R语言实现242

6.5.3 模拟退火算法实现步骤244

6.5.4 R语言GenSA和stats包的应用245

第7章 预测效果评估250

7.1 概率预测评估方法251

7.1.1 混淆矩阵251

7.1.2 ROC曲线255

7.1.3 KS曲线261

7.1.4 累计收益图263

7.1.5 累计提升图264

7.1.6 累计响应图266

7.2 数值预测评估方法267

7.2.1 常见评估指标267

7.2.2 ASD累计收益图270

第二部分 预测算法篇274

第8章 线性回归及其优化274

8.1 多元线性回归275

8.1.1 回归模型和基本假定275

8.1.2 最小二乘估计276

8.1.3 回归方程和回归系数的显著性检验276

8.1.4 多重共线性277

8.2 Ridge回归280

8.2.1 基本概念281

8.2.2 岭迹曲线281

8.2.3 基于GCV准则确定岭参数283

8.2.4 Ridge回归的R语言实现284

8.3 Lasso回归285

8.3.1 基本概念285

8.3.2 使用LAR求解Lasso286

8.3.3 Lasso算法的R语言实现288

8.3.4 R语言lars包的应用290

8.4 分位数回归292

8.4.1 基本概念292

8.4.2 分位数回归的计算294

8.4.3 用单纯形法求解分位数回归及R语言实现296

8.4.4 R语言quantreg包的应用298

8.5 稳健回归300

8.5.1 基本概念301

8.5.2 M-估计法及其R语言实现301

8.5.3 应用R语言MASS包实现稳健回归304

第9章 复杂回归分析307

9.1 梯度提升回归树（GBRT）308

9.1.1 Boosting方法简介308

9.1.2 AdaBoost算法308

9.1.3 提升回归树算法311

9.1.4 梯度提升312

9.1.5 GBRT的R语言实现314

9.1.6 R语言gbm包的应用316

9.2 神经网络320

9.2.1 基本概念320

9.2.2 单层感知器学习算法322

9.2.3 SLP回归算法的R语言实现323

9.2.4 BP神经网络学习算法325

9.2.5 BP回归算法的R语言实现327

9.2.6 RBF神经网络学习算法330

9.2.7 RBF回归算法的R语言实现332

9.2.8 Elman神经网络学习算法334

9.2.9 Elman回归算法的R语言实现336

9.2.10 使用R语言包构建神经网络338

9.3 支持向量机回归343

9.3.1 基本问题344

9.3.2 LS-SVMR算法347

9.3.3 LS-SVMR算法的R语言实现348

9.4 高斯过程回归349

9.4.1 GPR算法350

9.4.2 GPR算法的R语言实现352

9.4.3 R语言kernlab包的应用355

第10章 时间序列分析358

10.1 Box-Jenkins方法359

10.1.1 p阶自回归模型359

10.1.2 q阶移动平均模型361

10.1.3 自回归移动平均模型363

10.1.4 ARIMA模型365

10.1.5 ARIMA模型的R语言实现367

10.1.6 R语言forecast包的应用373

10.2 门限自回归模型376

10.2.1 TAR模型的基本原理376

10.2.2 TAR模型的R语言实现377

10.2.3 R语言TSA包的应用380

10.3 GARCH模型族382

10.3.1 线性ARCH模型382

10.3.2 GRACH模型383

10.3.3 EGARCH模型384

10.3.4 PowerARCH模型384

10.3.5 PARCH模型的R语言实现385

10.3.6 R语言fGarch包的应用395

10.4 向量自回归模型398

10.4.1 VAR模型基本原理398

10.4.2 VAR模型的R语言实现399

10.4.3 R语言vars包的应用403

10.5 卡尔曼滤波器算法405

10.5.1 Kalman滤波算法初步406

10.5.2 Kalman滤波的R语言实现407

10.5.3 R语言FKF包的应用409

第三部分 预测应用篇414

第11章 短期日负荷曲线预测414

11.1 电力行业负荷预测介绍415

11.2 短期日负荷曲线预测的基本要求415

11.3 预测建模准备416

11.3.1 基础数据采集416

11.3.2 缺失数据处理及平滑418

11.3.3 潜在规律分析421

11.4 基于RBF神经网络的预测426

11.4.1 RBF网络结构设计426

11.4.2 确定最优参数427

11.4.3 建模并实现预测431

11.4.4 效果评估433

11.5 基于LS-SVMR算法的预测435

11.5.1 确定最优参数436

11.5.2 建模并实现预测438

11.5.3 效果评估439

第12章 股票价格预测442

12.1 股票市场简介443

12.1.1 股票的基本概念443

12.1.2 股票市场常用术语443

12.1.3 股价波动的影响因素447

12.2 获取股票数据452

12.3 基于VAR算法的预测455

12.3.1 平稳性检验455

12.3.2 VAR模型定阶456

12.3.3 预测及效果验证457

参考文献459