R语言预测实战 / CDA数据分析师系列丛书
￥79.00定价
作者： 游皓麟
出版时间：2016-10
出版社：电子工业出版社
- 电子工业出版社
- 9787121298547
- 182060
- 2016-10
- TP312
内容简介
R语言具有上手快、效率高的特点，它横跨金融、生物、医学、互联网等多个领域，主要用于统计、建模及可视化。预测是数据挖掘的主要作用之一，也是大数据时代的核心价值所在。基于R语言来做预测，兼具效率和价值的双重属性，这是本书的一大亮点。
游皓麟著的《R语言预测实战/CDA数据分析师系列丛书》共分为三部分。第一部分讲预测基础，主要涵盖预测概念理解、预测方法论、分析方法、特征技术、模型优化及评价，读者通过这部分内容的学习，可以掌握进行预测的基本步骤和方法思路；第二部分讲预测算法，该部分包含了多元回归分析、复杂回归分析、时间序列及进阶算法，内容比较有难度，需要细心体会；第三部分讲预测案例，包括短期日负荷曲线预测和股票价格预测两个实例，读者可以了解到实施预测时需要关注的技术细节。
希望读者在看完本书后，能够将本书的精要融会贯通，进一步在工作和学习实践中提炼价值。
游皓麟著的《R语言预测实战/CDA数据分析师系列丛书》共分为三部分。第一部分讲预测基础，主要涵盖预测概念理解、预测方法论、分析方法、特征技术、模型优化及评价，读者通过这部分内容的学习，可以掌握进行预测的基本步骤和方法思路；第二部分讲预测算法，该部分包含了多元回归分析、复杂回归分析、时间序列及进阶算法，内容比较有难度，需要细心体会；第三部分讲预测案例，包括短期日负荷曲线预测和股票价格预测两个实例，读者可以了解到实施预测时需要关注的技术细节。
希望读者在看完本书后，能够将本书的精要融会贯通，进一步在工作和学习实践中提炼价值。
目录
第一部分 预测入门篇
第1章 预测入门
1.1 什么是预测
1.1.1 预测的定义
1.1.2 预测的特点
1.1.3 预测的分类
1.1.4 预测的基本原则
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
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2章 预测方法论
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
2.1.7 发布模型
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
2.3 团队构成
2.3.1 成员分类
2.3.2 数据氛围
2.3.3 团队合作
第3章 分析方法
3.1 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
3.1.4 互相关分析
3.1.5 典型相关分析
3.2 对应分析
3.3 频谱分析
3.4 趋势分析
3.5 聚类分析
3.5.1 K-Means算法
3.5.2 系统聚类算法
3.6 关联分析
3.6.1 关联规则挖掘：Apriori与Eclat算法
3.6.2 序列模式挖掘：SPADE算法
第4章 特征构建技术
4.1 特征变换
4.1.1 概念分层
4.1.2 标准化
4.1.3 离散化
4.1.4 函数变换
4.1.5 深入表达
4.2 特征组合
4.2.1 基于特定的领域知识
4.2.2 二元组合
……
第5章 特征选择方法
第6章 模型参数优化
第7章 预测效果评估
第二部分 预测算法篇
第8章 线性回归及其优化
第9章 复杂回归分析
第10章 时间序列分析
第三部分 预测应用篇
第11章 短期日负荷曲线预测
第12章 股票价格预测
参考文献
第1章 预测入门
1.1 什么是预测
1.1.1 预测的定义
1.1.2 预测的特点
1.1.3 预测的分类
1.1.4 预测的基本原则
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
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2章 预测方法论
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
2.1.7 发布模型
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
2.3 团队构成
2.3.1 成员分类
2.3.2 数据氛围
2.3.3 团队合作
第3章 分析方法
3.1 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
3.1.4 互相关分析
3.1.5 典型相关分析
3.2 对应分析
3.3 频谱分析
3.4 趋势分析
3.5 聚类分析
3.5.1 K-Means算法
3.5.2 系统聚类算法
3.6 关联分析
3.6.1 关联规则挖掘：Apriori与Eclat算法
3.6.2 序列模式挖掘：SPADE算法
第4章 特征构建技术
4.1 特征变换
4.1.1 概念分层
4.1.2 标准化
4.1.3 离散化
4.1.4 函数变换
4.1.5 深入表达
4.2 特征组合
4.2.1 基于特定的领域知识
4.2.2 二元组合
……
第5章 特征选择方法
第6章 模型参数优化
第7章 预测效果评估
第二部分 预测算法篇
第8章 线性回归及其优化
第9章 复杂回归分析
第10章 时间序列分析
第三部分 预测应用篇
第11章 短期日负荷曲线预测
第12章 股票价格预测
参考文献
