掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
深度學(xué)習(xí)
-
>
Unreal Engine 4藍(lán)圖完全學(xué)習(xí)教程
-
>
深入理解計算機(jī)系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門到精通-(附贈1DVD.含語音視頻教學(xué)+辦公模板+PDF電子書)
復(fù)雜數(shù)據(jù)的變量選擇與預(yù)測方法:R和Python軟件示例 版權(quán)信息
- ISBN：9787030769602
- 條形碼：9787030769602 ; 978-7-03-076960-2
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
復(fù)雜數(shù)據(jù)的變量選擇與預(yù)測方法:R和Python軟件示例 內(nèi)容簡介
有效地挖掘高維復(fù)雜數(shù)據(jù)的內(nèi)在關(guān)聯(lián)，并用其預(yù)測未來發(fā)展是一個重 要的研究課題。本書利用統(tǒng)計學(xué)和機(jī)器學(xué)習(xí)等相關(guān)知識對復(fù)雜數(shù)據(jù)進(jìn)行分 析，從變量選擇、模型建立和代碼實現(xiàn)等方面進(jìn)行系統(tǒng)的介紹。全書共7 章，第1章介紹基于復(fù)雜數(shù)據(jù)預(yù)測的研究現(xiàn)狀及內(nèi)容概述；第2～4章介紹 數(shù)據(jù)建模的基礎(chǔ)知識和代碼實現(xiàn)，包括數(shù)據(jù)預(yù)處理過程、變量選擇方法和 常用的機(jī)器學(xué)習(xí)方法；第5章和第6章詳細(xì)介紹復(fù)雜數(shù)據(jù)的變量選擇方法； 第7章介紹一種改進(jìn)的支持向量回歸模型及具體實現(xiàn)過程。本書可供對復(fù)雜數(shù)據(jù)分析感興趣的研究人員和工程技術(shù)人員，以及高 等院校計算機(jī)、自動化、數(shù)據(jù)科學(xué)、大數(shù)據(jù)技術(shù)等相關(guān)專業(yè)的本科生或研 究生參考。
復(fù)雜數(shù)據(jù)的變量選擇與預(yù)測方法:R和Python軟件示例 目錄
目 錄
第 1 章 緒論 1
1.1 研究背景與研究意義 1
1.2 外研究現(xiàn)狀 2
1.2.1 變量選擇的研究 3
1.2.2 預(yù)測方法的研究 3
1.3 本書需要解決的關(guān)鍵問題 4
1.4 本書主要研究內(nèi)容 5
第 2章 數(shù)據(jù)預(yù)處理 8
2.1 引言 8
2.2 原始數(shù)據(jù)與建模數(shù)據(jù) 9
2.3 常規(guī)前期處理工作 9
2.3.1 數(shù)據(jù)審核 9
2.3.2 數(shù)據(jù)篩選 10
2.3.3 數(shù)據(jù)排序 10
2.3.4 數(shù)據(jù)清理 11
2.3.5 數(shù)據(jù)集成 11
2.3.6 數(shù)據(jù)轉(zhuǎn)換 11
2.3.7 數(shù)據(jù)歸約 11
2.4 數(shù)據(jù)轉(zhuǎn)換方法 11
2.4.1 數(shù)據(jù)標(biāo)準(zhǔn)化方法 12
2.4.2 相空間重構(gòu)方法 14
2.4.3 移動平均方法 14
2.5 多變量預(yù)處理方法 15
2.5.1 相關(guān)系數(shù) 15
2.5.2 復(fù)相關(guān)系數(shù) 16
2.5.3 多重共線性 17
2.5.4 貢獻(xiàn)度量 19
2.5.5 時間序列分析的幾個重要檢驗方法 20
2.6 R軟件的編碼示例 23
2.6.1 R軟件的數(shù)據(jù)讀取 23
2.6.2 R軟件的常用數(shù)據(jù)結(jié)構(gòu)編碼 24
2.6.3 R軟件的常用數(shù)據(jù)統(tǒng)計函數(shù)編碼 27
2.6.4 R軟件的 apply ()函數(shù)族 30
2.6.5 apply ()函數(shù)的用戶自定義函數(shù)示例 32
2.6.6 R軟件的多元數(shù)據(jù)直觀表示 33
2.7 Python 的 編 碼 示 例 39
2.7.1 Python 的數(shù)據(jù)讀取 40
2.7.2 Python 的常用數(shù)據(jù)結(jié)構(gòu)編碼 40
2.7.3 Python 的常用數(shù)據(jù)統(tǒng)計函數(shù)編碼 43
2.7.4 Python 可視化 44
2.8 本 章 小 結(jié) 47
第 3 章 數(shù)據(jù)建；貧w分析方法 48
3.1 引 言 48
3.2 多 元 線 性 回 歸 49
3.2.1 基本模型 49
3.2.2 小二乘參數(shù)估計法 50
3.2.3 多元線性回歸的 R 實 現(xiàn) 50
3.2.4 多元線性回歸 Python 實 現(xiàn) 51
3.3 廣 義 線 性 模 型 51
3.3.1 L M 和GLM 的異同點 51
3.3.2 GLM 的數(shù)學(xué)特點 52
3.3.3 L M 和GLM 的數(shù)學(xué)表達(dá) 52
3.3.4 廣義線性模型的R 實 現(xiàn) 52
3.3.5 廣義線性模型的 Python 實 現(xiàn) 53
3.4 廣義相加模型 53
3.4.1 GAM 與 LM 、GLM 的關(guān)系 53
3.4.2 廣義相加模型的R 實 現(xiàn) 54
3.4.3 廣義相加模型的 Python 實 現(xiàn) 55
3.5 K 近 鄰 算 法 56
3.5.1 KNN 的距離度量方法 56
3.5.2 KNN 的R 實現(xiàn) 59
3.5.3 KNN 的 Python 實 現(xiàn) 60
3.6 隨 機(jī) 森 林 60
3.6.1 隨機(jī)森林的R 實 現(xiàn) 61
3.6.2 隨機(jī)森林的 Python 實現(xiàn) 61
3.7 支 持 向 量 回 歸 62
3.7.1 核方法及再生核希爾伯特空間 63
3.7.2 SVR 的R 實 現(xiàn) 63
3.7.3 SVR 的 Python 實現(xiàn) 64
3.8 向量自回歸模型 64
3.8.1 標(biāo)準(zhǔn)的自回歸模型 64
3.8.2 多元時間序列 66
3.8.3 向量自回歸模型 66
3.8.4 VAR 的 R 實 現(xiàn) 67
3.8.5 VAR 的 Python 實現(xiàn) 69
3.9 灰 色 模 型 72
3.9.1 簡 述 72
3.9.2 建模過程 72
3.9.3 灰色模型的R 實 現(xiàn) 73
3.10 深 度 學(xué) 習(xí) 74
3.10.1 卷積神經(jīng)網(wǎng)絡(luò)及其代碼實現(xiàn) 74
3.10.2 長短期記憶神經(jīng)網(wǎng)絡(luò)及其代碼實現(xiàn) 75
3.10.3 門控循環(huán)單元及其代碼實現(xiàn) 77
3.11 自適應(yīng)神經(jīng)模糊推理系統(tǒng) 78
3.11.1 隸屬函數(shù) 78
3.11.2 ANFIS 模型結(jié)構(gòu) 79
3.11.3 ANFIS 的Matlab 實現(xiàn) 80
3.12 概 率 預(yù) 測 模 型 81
3.12.1 分位數(shù)回歸模型及其代碼實現(xiàn) 82
3.12.2 概率密度預(yù)測模型及其代碼實現(xiàn) 85
3.13 集 成 方 法 86
3.14 多 步 預(yù) 測 策 略 87
3.14.1 迭代策略 88
3.14.2 直接策略 88
3.14.3 直接迭代策略 89
3.14.4 多輸入多輸出策略 89
3.14.5 直接多輸出策略 90
3.14.6 迭代多輸出策略 90
3.15 評 估 標(biāo) 準(zhǔn) 90
3.15.1 點預(yù)測的評估標(biāo)準(zhǔn) 91
3.15.2 概率預(yù)測的評估標(biāo)準(zhǔn) 92
3.16 本 章 小 結(jié) 93
第 4 章 數(shù)據(jù)建模變量選擇分析方法 95
4.1 引 言 95
4.2 變 量 選 擇 的 方 法 96
4.2.1 子集選擇法 96
4.2.2 系數(shù)收縮法 100
4.2.3 智能優(yōu)化選擇法 102
4.3 變 量 選 擇 的 準(zhǔn) 則 104
4.3.1 偏倚、方差和模型復(fù)雜性 104
4.3.2 基于偏倚-方差分解的模型選擇 105
4.3.3 偏倚-方差分解的實例分析 108
4.3.4 平均殘差平方和準(zhǔn)則 109
4.3.5 C p 準(zhǔn) 則 110
4.3.6 AIC 準(zhǔn)則 111
4.3.7 BIC 準(zhǔn)則 111
4.3.8 交叉驗證法 111
4.3.9 PRESS 準(zhǔn) 則 112
4.3.10 自助法 112
4.3.11 損失函數(shù) 115
4.4 模擬分析試驗設(shè)計 117
4.5 本 章 小 結(jié) 118
第 5 章 基于線性模型的復(fù)雜數(shù)據(jù)變量選擇 119
5.1 引 言 119
5.2 基于 相關(guān) 小冗余的變量子集選擇方法 121
5.3 一 種新穎的 相關(guān) 小共同冗余準(zhǔn)則：隨機(jī)相關(guān)系數(shù) 123
5.3.1 研究背景與動機(jī) 123
5.3.2 基于相關(guān)系數(shù)的共同冗余信息測量 124
5.3.3 隨機(jī)相關(guān)系數(shù)選擇 126
5.4 基于隨機(jī)相關(guān)系數(shù)和隨機(jī)逐步的變量選擇集成 127
5.4.1 隨機(jī)逐步算法(ST 2) 128
5.4.2 隨機(jī)相關(guān)系數(shù)集成(SCCE )算法 128
5.4.3 理論分析 130
5.5 仿 真 研 究 133
5.5.1 標(biāo) 準(zhǔn) 測 試 133
5.5.2 高度相關(guān)的預(yù)測因子 135
5.5.3 樣本大小的影響 136
5.5.4 真實數(shù)據(jù)集實例 137
5.6 本 章 小 結(jié) 140
第 6 章 基于非線性模型的復(fù)雜數(shù)據(jù)變量選擇 141
6.1 引 言 141
6.2 基 本 知 識 143
6.2.1 互信息(MI) 143
6.2.2 幾種預(yù)測器 143
6.3 相 關(guān) 工 作 144
6.3.1 MI變量子集選擇方法綜述 144
6.3.2 現(xiàn)有變量選擇方法的局限性 146
6.4 改 進(jìn) 的MI 變 量 選 擇 方 法 148
6.4.1 新的變量選擇框架 148
6.4.2 回歸模型的標(biāo)準(zhǔn)化MI 149
6.4.3 利用MI 測量共同冗余信息 150
6.4.4 改進(jìn)的標(biāo)準(zhǔn)化互信息方法 152
6.4.5 基于隨機(jī)正則化 相關(guān) 小共同冗余(MRMCR )的變量選擇 153
6.4.6 隨機(jī)正則化 相關(guān) 小共同冗余(MRMCR )準(zhǔn)則 156
6.5 試 驗 161
6.5.1 仿真研究 161
6.5.2 波士頓住宅數(shù)據(jù)集分析 162
6.5.3 與現(xiàn)有方法的對比 164
6.6 本 章 小 結(jié) 171
第 7 章 基于支持向量回歸的復(fù)雜數(shù)據(jù)預(yù)測方法 172
7.1 引 言 172
7.2 改進(jìn)的支持向量回歸：訓(xùn)練子集和模型的結(jié)合選擇 173
7.3 基 本 模 型 174
7.3.1 支持向量回歸(SVR) 174
7.3.2 訓(xùn)練子集選擇 177
7.4 SVR 的訓(xùn)練子集和模型的結(jié)合選擇 179
7.4.1 搜索區(qū)域估計 179
7.4.2 算法例證 182
7.4.3 嵌套粒子群優(yōu)化算法 183
7.5 模 型 的 收 斂 性 187
7.6 基于序貫網(wǎng)格方法的支持向量回歸 188
7.7 數(shù) 值 結(jié) 果 190
7.7.1 數(shù)據(jù)集描述 190
7.7.2 用于比較的 SVR .模型 191
7.7.3 模型評價方法 192
7.7.4 參數(shù)選擇過程 192
7.7.5 訓(xùn)練子集和模型選擇過程 193
7.7.6 試驗對比分析 199
7.7.7 計算復(fù)雜度 200
7.8 本 章 小 結(jié) 201
參 考 文 獻(xiàn) 202
展開全部
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
月亮虎
- >
山海經(jīng)
- >
煙與鏡
- >
二體千字文
- >
月亮與六便士
- >
羅庸西南聯(lián)大授課錄
本類暢銷
