複雜數據的變量選擇與預測方法-R和Python軟件示例 車金星 9787030769602 【台灣高等教育出版社】

目錄

目 錄
第 1 章 緒論 1
1 1 研究背景與研究意義 1
1 2 外研究現狀 2
1 2 1 變量選擇的研究 3
1 2 2 預測方法的研究 3
1 3 本書需要解決的關鍵問題 4
1 4 本書主要研究內容 5
第 2章 數據預處理 8
2 1 引言 8
2 2 原始數據與建模數據 9
2 3 常規前期處理工作 9
2 3 1 數據審核 9
2 3 2 數據篩選 10
2 3 3 數據排序 10
2 3 4 數據清理 11
2 3 5 數據集成 11
2 3 6 數據轉換 11
2 3 7 數據歸約 11
2 4 數據轉換方法 11
2 4 1 數據標準化方法 12
2 4 2 相空間重構方法 14
2 4 3 移動平均方法 14
2 5 多變量預處理方法 15
2 5 1 相關係數 15
2 5 2 複相關係數 16
2 5 3 多重共線性 17
2 5 4 貢獻度量 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軟件的數據讀取 23
2 6 2 R軟件的常用數據結構編碼 24
2 6 3 R軟件的常用數據統計函數編碼 27
2 6 4 R軟件的 apply ()函數族 30
2 6 5 apply ()函數的用戶自定義函數示例 32
2 6 6 R軟件的多元數據直觀表示 33
2 7 Python 的 編 碼 示 例 39
2 7 1 Python 的數據讀取 40
2 7 2 Python 的常用數據結構編碼 40
2 7 3 Python 的常用數據統計函數編碼 43
2 7 4 Python 可視化 44
2 8 本 章 小 結 47
第 3 章 數據建模回歸分析方法 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 小二乘參數估計法 50
3 2 3 多元線性回歸的 R 實 現 50
3 2 4 多元線性回歸 Python 實 現 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 的數學特點 52
3 3 3 L M 和GLM 的數學表達 52
3 3 4 廣義線性模型的R 實 現 52
3 3 5 廣義線性模型的 Python 實 現 53
3 4 廣義相加模型 53
3 4 1 GAM 與 LM 、GLM 的關係 53
3 4 2 廣義相加模型的R 實 現 54
3 4 3 廣義相加模型的 Python 實 現 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 59
3 5 3 KNN 的 Python 實 現 60
3 6 隨 機 森 林 60
3 6 1 隨機森林的R 實 現 61
3 6 2 隨機森林的 Python 實現 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 63
3 7 3 SVR 的 Python 實現 64
3 8 向量自回歸模型 64
3 8 1 標準的自回歸模型 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 67
3 8 5 VAR 的 Python 實現 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 73
3 10 深 度 學 習 74
3 10 1 卷積神經網絡及其代碼實現 74
3 10 2 長短期記憶神經網絡及其代碼實現 75
3 10 3 門控循環單元及其代碼實現 77
3 11 自適應神經模糊推理系統 78
3 11 1 隸屬函數 78
3 11 2 ANFIS 模型結構 79
3 11 3 ANFIS 的Matlab 實現 80
3 12 概 率 預 測 模 型 81
3 12 1 分位數回歸模型及其代碼實現 82
3 12 2 概率密度預測模型及其代碼實現 85
3 13 集 成 方 法 86
3 14 多 步 預 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 准 90
3 15 1 點預測的評估標準 91
3 15 2 概率預測的評估標準 92
3 16 本 章 小 結 93
第 4 章 數據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 係數收縮法 100
4 2 3 智能優化選擇法 102
4 3 變 量 選 擇 的 准 則 104
4 3 1 偏倚、方差和模型複雜性 104
4 3 2 基於偏倚-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 平均殘差平方和準則 109
4 3 5 C p 准 則 110
4 3 6 AIC 準則 111
4 3 7 BIC 準則 111
4 3 8 交叉驗證法 111
4 3 9 PRESS 准 則 112
4 3 10 自助法 112
4 3 11 損失函數 115
4 4 模擬分析試驗設計 117
4 5 本 章 小 結 118
第 5 章 基於線性模型的複雜數據變量選擇 119
5 1 引 言 119
5 2 基於 相關 小冗餘的變量子集選擇方法 121
5 3 一 種新穎的 相關 小共同冗餘準則：隨機相關係數 123
5 3 1 研究背景與動機 123
5 3 2 基於相關係數的共同冗餘信息測量 124
5 3 3 隨機相關係數選擇 126
5 4 基於隨機相關係數和隨機逐步的變量選擇集成 127
5 4 1 隨機逐步算法(ST 2) 128
5 4 2 隨機相關係數集成(SCCE )算法 128
5 4 3 理論分析 130
5 5 仿 真 研 究 133
5 5 1 標 准 測 試 133
5 5 2 高度相關的預測因子 135
5 5 3 樣本大小的影響 136
5 5 4 真實數據集實例 137
5 6 本 章 小 結 140
第 6 章 基於非線性模型的複雜數據變量選擇 141
6 1 引 言 141
6 2 基 本 知 識 143
6 2 1 互信息(MI) 143
6 2 2 幾種預測器 143
6 3 相 關 工 作 144
6 3 1 MI變量子集選擇方法綜述 144
6 3 2 現有變量選擇方法的局限性 146
6 4 改 進 的MI 變 量 選 擇 方 法 148
6 4 1 新的變量選擇框架 148
6 4 2 回歸模型的標準化MI 149
6 4 3 利用MI 測量共同冗餘信息 150
6 4 4 改進的標準化互信息方法 152
6 4 5 基於隨機正則化 相關 小共同冗餘(MRMCR )的變量選擇 153
6 4 6 隨機正則化 相關 小共同冗餘(MRMCR )準則 156
6 5 試 驗 161
6 5 1 仿真研究 161
6 5 2 波士頓住宅數據集分析 162
6 5 3 與現有方法的對比 164
6 6 本 章 小 結 171
第 7 章 基於支持向量回歸的複雜數據預測方法 172
7 1 引 言 172
7 2 改進的支持向量回歸：訓練子集和模型的結合選擇 173
7 3 基 本 模 型 174
7 3 1 支持向量回歸(SVR) 174
7 3 2 訓練子集選擇 177
7 4 SVR 的訓練子集和模型的結合選擇 179
7 4 1 搜索區域估計 179
7 4 2 算法例證 182
7 4 3 嵌套粒子群優化算法 183
7 5 模 型 的 收 斂 性 187
7 6 基於序貫網格方法的支持向量回歸 188
7 7 數 值 結 果 190
7 7 1 數據集描述 190
7 7 2 用於比較的 SVR 模型 191
7 7 3 模型評價方法 192
7 7 4 參數選擇過程 192
7 7 5 訓練子集和模型選擇過程 193
7 7 6 試驗對比分析 199
7 7 7 計算複雜度 200
7 8 本 章 小 結 201
參 考 文 獻 202

詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。