R语言预测实战.pptx

1、R语言预测实战01.02.03.04.05.目录序一序二第一部分 预测入门篇第二部分 预测算法篇第三部分 预测应用篇序一01Part One序一 序二02Part One序二 第一部分 预测入门篇03Part One第一部分 预测入门篇DCBA1 预测入门1.1 什么是预测1.2 大数据与预测1.3 预测利器之R语言E2 预测方法论第一部分 预测入门篇2.2 指导原则013.1 相关分析042.3 团队构成023.2 对应分析050306第一部分 预测入门篇3.4 趋势分析4 特征构建技术3.5 聚类分析4.1 特征变换4.2 特征组合3.6 关联分析第一部分 预测入门篇5 特征选择方法5.2

2、 单元法6 模型参数优化4.3 自动生成：基于遗传编程的方法5.1 直接法5.3 多元法第一部分 预测入门篇6.1 交叉验证6.4 粒子群优化6.2 网格搜索6.5 模拟退火7 预测效果评估6.3 遗传算法第一部分 预测入门篇7.2 数值预测评估方法7.1 概率预测评估方法第一部分 预测入门篇1.1 什么是预测011.1.1 预测的定义021.1.2 预测的特点031.1.3 预测的分类041.1.4 预测的基本原则第一部分 预测入门篇1.2 大数据与预测1.2.1 什么是大数据1.2.2 大数据预测的优势1.2.3 大数据预测的特征1.2.4 大数据预测案例LOGOM.94275.CN第一部

3、分 预测入门篇1.3 预测利器之R语言1.3.1 R语言简介1.3.2 R语言预测初步1.3.3 R语言预测常用包第一部分 预测入门篇2.1 预测流程2.1.1 确定主题2.1.2 收集数据2.1.3 选择方法2.1.4 分析规律2.1.5 建立模型2.1.6 评估效果第一部分 预测入门篇2.1 预测流程2.1.7 发布模型第一部分 预测入门篇2.2 指导原则2.2.1 界定问题2.2.2 判断预测法2.2.3 外推预测法2.2.4 因果预测法第一部分 预测入门篇2.3 团队构成012.3.1 成员分类2.3.2 数据氛围022.3.3 团队合作第一部分 预测入门篇3.1 相关分析3.1.4

4、互相关分析3.1.5 典型相关分析3.1.1 自相关分析3.1.2 偏相关分析3.1.3 简单相关分析第一部分 预测入门篇3.5 聚类分析3.5.1 K-Means算法13.5.2 系统聚类算法第一部分 预测入门篇3.6 关联分析A3.6.2 序列模式挖掘：SPADE算法3.6.1 关联规则挖掘：Apriori与Eclat算法第一部分 预测入门篇4.1 特征变换4.1.1 概念分层014.1.2 标准化024.1.5 深入表达054.1.4 函数变换04第一部分 预测入门篇4.2 特征组合4.2.2 二元组合1324.2.1 基于特定的领域知识4.2.3 高阶多项式第一部分 预测入门篇4.3

5、自动生成：基于遗传编程的方法4.3.1 基本思路014.3.2 特征表达式024.3.3 产生初始种群034.3.4 计算适应度044.3.5 选择、交叉和变异054.3.6 实例分析065.2 单元法第一部分 预测入门篇5.2.1 Pearson相关系数5.2.2 距离相关系数5.2.3 单因素方差分析5.2.6 Gini系数5.2.5 卡方检验5.2.4 信息增益第一部分 预测入门篇5.3 多元法015.3.1 逐步回归5.3.2 随机森林025.3.3 遗传算法6.3 遗传算法第一部分 预测入门篇6.3.2 遗传算法算例6.3.4 遗传算法R语言实现6.3.1 基本概念6.3.3 遗传算

6、法实现步骤6.3.5 R语言mcga和genalg包的应用6.4 粒子群优化第一部分 预测入门篇6.4.2 粒子群算法R语言实现6.4.4 R语言pso包的应用6.4.1 基本概念及原理6.4.3 粒子群算法实现步骤6.5 模拟退火第一部分 预测入门篇6.5.2 模拟退火算法R语言实现6.5.4 R语言GenSA和stats包的应用6.5.1 基本概念及原理6.5.3 模拟退火算法实现步骤第一部分 预测入门篇7.1 概率预测评估方法7.1.1 混淆矩阵A7.1.2 ROC曲线B7.1.3 KS曲线C7.1.4 累计收益图D7.1.5 累计提升图E7.1.6 累计响应图FLOGOM.94275.

7、CN第一部分 预测入门篇7.2 数值预测评估方法7.2.1 常见评估指标7.2.2 ASD累计收益图第二部分 预测算法篇04Part One第二部分 预测算法篇A8 线性回归及其优化B8.1 多元线性回归C8.2 Ridge回归D8.3 Lasso回归E8.4 分位数回归F8.5 稳健回归第二部分 预测算法篇019 复杂回归分析029.1 梯度提升回归树（GBRT）039.2 神经网络049.3 支持向量机回归059.4 高斯过程回归0610 时间序列分析第二部分 预测算法篇DCBA10.1 Box-Jenkins方法10.2 门限自回归模型10.3 GARCH模型族10.4 向量自回归模型1

8、0.5 卡尔曼滤波器算法8.1 多元线性回归第二部分 预测算法篇8.1.2 最小二乘估计8.1.4 多重共线性8.1.1 回归模型和基本假定8.1.3 回归方程和回归系数的显著性检验第二部分 预测算法篇8.2 Ridge回归8.2.3 基于GCV准则确定岭参数038.2.1 基本概念018.2.4 Ridge回归的R语言实现048.2.2 岭迹曲线028.3 Lasso回归第二部分 预测算法篇8.3.1 基本概念8.3.2 使用LAR求解Lasso8.3.3 Lasso算法的R语言实现8.3.4 R语言lars包的应用DCAB第二部分 预测算法篇8.4 分位数回归8.4.1 基本概念018.4

9、.3 用单纯形法求解分位数回归及R语言实现038.4.2 分位数回归的计算028.4.4 R语言quantreg包的应用04LOGOM.94275.CN第二部分 预测算法篇8.5 稳健回归20208.5.1 基本概念0120218.5.2 M-估计法及其R语言实现029.1 梯度提升回归树（GBRT）第二部分 预测算法篇9.1.1 Boosting方法简介9.1.2 AdaBoost算法9.1.3 提升回归树算法9.1.6 R语言gbm包的应用9.1.5 GBRT的R语言实现9.1.4 梯度提升9.2 神经网络第二部分 预测算法篇9.2.2 单层感知器学习算法9.2.4 BP神经网络学习算法9

10、.2.6 RBF神经网络学习算法9.2.1 基本概念9.2.3 SLP回归算法的R语言实现9.2.5 BP回归算法的R语言实现第二部分 预测算法篇9.2 神经网络19.2.7 RBF回归算法的R语言实现29.2.8 Elman神经网络学习算法39.2.9 Elman回归算法的R语言实现49.2.10 使用R语言包构建神经网络第二部分 预测算法篇9.3 支持向量机回归9.3.1 基本问题9.3.2 LS-SVMR算法9.3.3 LS-SVMR算法的R语言实现9.4 高斯过程回归第二部分 预测算法篇9.4.1 GPR算法9.4.2 GPR算法的R语言实现9.4.3 R语言kernlab包的应用第二

11、部分 预测算法篇10.1 Box-Jenkins方法10.1.1 p阶自回归模型0110.1.2 q阶移动平均模型0210.1.3 自回归移动平均模型0310.1.4 ARIMA模型0410.1.5 ARIMA模型的R语言实现0510.1.6 R语言forecast包的应用06第二部分 预测算法篇10.2 门限自回归模型CBA10.2.1 TAR模型的基本原理10.2.2 TAR模型的R语言实现10.2.3 R语言TSA包的应用第二部分 预测算法篇10.3 GARCH模型族10.3.2 GRACH模型10.3.1 线性ARCH模型10.3.3 EGARCH模型10.3.5 PARCH模型的R语

12、言实现10.3.4 Power ARCH模型10.3.6 R语言fGarch包的应用12345610.4 向量自回归模型第二部分 预测算法篇10.4.2 VAR模型的R语言实现10.4.1 VAR模型基本原理10.4.3 R语言vars包的应用10.5 卡尔曼滤波器算法第二部分 预测算法篇10.5.2 Kalman滤波的R语言实现10.5.1 Kalman滤波算法初步10.5.3 R语言FKF包的应用第三部分 预测应用篇05Part One第三部分 预测应用篇11.1 电力行业负荷预测介绍11.3 预测建模准备11.5 基于LS-SVMR算法的预测11 短期日负荷曲线预测11.2 短期日负荷曲

13、线预测的基本要求11.4 基于RBF神经网络的预测第三部分 预测应用篇12 股票价格预测12.1 股票市场简介12.2 获取股票数据12.3 基于VAR算法的预测CAB11.3 预测建模准备第三部分 预测应用篇11.3.2 缺失数据处理及平滑11.3.1 基础数据采集11.3.3 潜在规律分析第三部分 预测应用篇11.4 基于RBF神经网络的预测11.4.1 RBF网络结构设计11.4.2 确定最优参数11.4.3 建模并实现预测11.4.4 效果评估第三部分 预测应用篇11.5 基于LS-SVMR算法的预测11.5.2 建模并实现预测11.5.3 效果评估11.5.1 确定最优参数第三部分 预测应用篇12.1 股票市场简介CBA12.1.1 股票的基本概念12.1.2 股票市场常用术语12.1.3 股价波动的影响因素12.3 基于VAR算法的预测第三部分 预测应用篇CBA12.3.1 平稳性检验12.3.2 VAR模型定阶12.3.3 预测及效果验证感谢聆听