python预测之美 数据分析与算法实战电子书_Python预测之美 数据分析与算法实战...

篇预测入门

章认识预测2

1.1什么是预测2

1.1.1占卜术3

1.1.2神秘的地动仪3

1.1.3科学预测5

1.1.4预测的原则7

1.2前沿技术9

1.2.1大数据与预测10

1.2.2大数据预测的特点11

1.2.3人工智能与预测15

1.2.4人工智能预测的特点17

1.2.5典型预测案例18

1.3Python预测初步26

1.3.1数据预处理27

1.3.2建立模型31

1.3.3预测及误差分析34

第2章预测方法论37

2.1预测流程37

2.1.1确定主题38

2.1.2收集数据40

2.1.3选择方法42

2.1.4分析规律43

2.1.5建立模型48

2.1.6评估效果51

2.1.7发布模型52

2.2指导原则53

2.2.1界定问题53

2.2.2判断预测法55

2.2.3外推预测法56

2.2.4因果预测法58

2.3团队构成59

2.3.1成员分类59

2.3.2数据氛围61

2.3.3团队合作63

第3章探索规律65

3.1相关分析.65

3.1.1自相关分析65

3.1.2偏相关分析68

3.1.3简单相关分析69

3.1.4互相关分析80

3.1.5典型相关分析82

3.2因果分析87

3.2.1什么是因果推断87

3.2.2因果推断的方法90

3.2.3时序因果推断93

3.3聚类分析98

3.3.1K-Means算法98

3.3.2系统聚类算法102

3.4关联分析110

3.4.1关联规则挖掘110

3.4.2Apriori算法111

3.4.3Eclat算法120

3.4.4序列模式挖掘123

3.4.5SPADE算法124

第4章特征工程136

4.1特征变换136

4.1.1概念分层137

4.1.2标准化138

4.1.3离散化141

4.1.4函数变换143

4.1.5深入表达144

4.2特征组合145

4.2.1基于经验145

4.2.2二元组合146

4.2.3高阶多项式148

4.3特征评价151

4.3.1特征初选151

4.3.2影响评价152

4.3.3模型法167

4.4特征学习172

4.4.1基本思路173

4.4.2特征表达式174

4.4.3初始种群183

4.4.4适应度185

4.4.5遗传行为187

4.4.6实例分析192

第2篇预测算法

第5章参数优化199

5.1交叉验证199

5.2网格搜索201

5.3遗传算法203

5.3.1基本概念203

5.3.2遗传算法算例204

5.3.3遗传算法实现步骤209

5.3.4遗传算法Python实现210

5.4粒子群优化213

5.4.1基本概念及原理213

5.4.2粒子群算法的实现步骤214

5.4.3用Python实现粒子群算法215

5.5模拟退火220

5.5.1基本概念及原理220

5.5.2模拟退火算法的实现步骤221

5.5.3模拟退火算法Python实现222

第6章线性回归及其优化226

6.1多元线性回归226

6.1.1回归模型与基本假定226

6.1.2最小二乘估计227

6.1.3回归方程和回归系数的显著性检验228

6.1.4多重共线性229

6.2Ridge回归233

6.2.1基本概念233

6.2.2岭迹曲线233

6.2.3基于GCV准则确定岭参数235

6.2.4Ridge回归的Python实现237

6.3Lasso回归237

6.3.1基本概念237

6.3.2使用LAR算法求解Lasso238

6.3.3Lasso算法的Python实现240

6.4分位数回归242

6.4.1基本概念242

6.4.2分位数回归的计算245

6.4.3用单纯形法求解分位数回归及Python实现246

6.5稳健回归248

6.5.1基本概念249

6.5.2M估计法及Python实现250

第7章复杂回归分析254

7.1梯度提升回归树(GBRT)254

7.1.1Boosting方法简介254

7.1.2AdaBoost算法255

7.1.3提升回归树算法257

7.1.4梯度提升259

7.1.5GBRT算法的Python实现261

7.2深度神经网络264

7.2.1基本概念264

7.2.2从线性回归说起269

7.2.3浅层神经网络272

7.2.4深层次拟合问题277

7.2.5DNN的Python实现278

7.3支持向量机回归281

7.3.1基本问题281

7.3.2LS-SVMR算法284

7.3.3LS-SVMR算法的Python实现285

7.4高斯过程回归286

7.4.1GPR算法287

7.4.2GPR算法的Python实现289

第8章时间序列分析292

8.1Box-Jenkins方法292

8.1.1p阶自回归模型293

8.1.2q阶移动平均模型295

8.1.3自回归移动平均模型296

8.1.4ARIMA模型300

8.1.5ARIMA模型的Python实现301

8.2门限自回归模型309

8.2.1TAR模型的基本原理309

8.2.2TAR模型的Python实现310

8.3GARCH模型族313

8.3.1线性ARCH模型313

8.3.2GRACH模型315

8.3.3EGARCH模型315

8.3.4PowerARCH模型316

8.4向量自回归模型318

8.4.1VAR模型基本原理318

8.4.2VAR模型的Python实现320

8.5卡尔曼滤波324

8.5.1卡尔曼滤波算法介绍324

8.5.2卡尔曼滤波的Python实现326

8.6循环神经网络328

8.6.1RNN的基本原理329

8.6.2RNN算法的Python实现332

8.7长短期记忆网络335

8.7.1LSTM模型的基本原理336

8.7.2LSTM算法的Python实现341

第3篇预测应用

第9章短期日负荷曲线预测345

9.1电力行业负荷预测介绍345

9.2短期日负荷曲线预测的基本要求346

9.3预测建模准备347

9.3.1基础数据采集347

9.3.2缺失数据处理349

9.3.3潜在规律分析352

9.4基于DNN算法的预测355

9.4.1数据要求356

9.4.2数据预处理356

9.4.3网络结构设计357

9.4.4建立模型358

9.4.5预测实现359

9.4.6效果评估359

9.5基于LSTM算法的预测361

9.5.1数据要求361

9.5.2数据预处理362

9.5.3网络结构设计362

9.5.4建立模型363

9.5.5预测实现364

9.5.6效果评估364

0章股票价格预测367

10.1股票市场简介367

10.2获取股票数据368

10.3基于VAR算法的预测371

10.3.1平稳性检验371

10.3.2VAR模型定阶372

10.3.3预测及效果验证373

10.4基于LSTM算法的预测375

10.4.1数据要求375

10.4.2数据预处理376

10.4.3网络结构设计377

10.4.4建立模型377

10.4.5预测实现378

10.4.6效果评估378

参考文献381显示全部>>隐藏全部>>