R语言

####################5.2 X<-c(159, 280, 101, 212, 224, 379, 179, 264, 222, 362, 168, 250, 149, 260, 485, 170) t.test(X,alternative='greater',mu=225,conf.level = 0.95)#单边检验 ###########################5.3这是一个经典的两样本比较问题 X<-c(78.1, 72.4, 76.2, 74.3, 77.4, 78.4, 76.0, 75.5, 76.7, 77.3) Y<-c(79.1, 81.0, 77.3, 79.1, 80.0, 79.1, 79.1, 77.3, 80.2, 82.1) t.test(X,Y,var.equal=TRUE,alternative='less')#常把我们想要的结果作为备胎h1 t.test(X,Y,var.equal=F,alternative='less')#两组样本方差不同 t.test(X,Y,var.equal=TRUE,alternative='less',paired=T)#两组样本数量相同 #实战我们将使用MASS包中的UScrime数据集。它包含了1960年美国47个州的刑 罚制度 #对犯罪率影响的信息。我们感兴趣的结果变量为Prob

a <- rnorm ( 50 , 30 , 2 ) #生成50个样本，均数30，标准差2 a <- round ( a , 2 ) #保留两位小数 write . popsv ( nor , "3.popsv" , row . names = F ) #输出成Expopel可以打开的格式 #目的：63个病人，一组正常人10个，某指标在1到3之间 #患者53个，指标在5:到20之间 #且正常人和患者随机来就诊，请模拟数据 nor <- runif ( 10 , 1 , 3 ) #生成10个，在1 ：3 的数字 pat <- runif ( 53 , 5 , 20 ) pop <- c ( nor , pat ) pop <- round ( pop ) pop <- sample ( pop , 53 , replace = F ); pop #在pop中随抽取53次，无放回 　　 转载请标明出处: R语言--编数据 文章来源: R语言--编数据

版权声明：署名，允许他人基于本文进行创作，且必须基于与原先许可协议相同的许可协议分发本文 （ Creative Commons ） 如下所示： 但购买和出售，我们可能要考虑一些其他相关信息，就像当：购买显著数量很可能是我们可以要求并获得折扣，或购买更多更重要的是我们可能会推高价格。 这可能导致像这样的情况，其中总成本不再是数量的线性函数： 通过多项式回归，我们可以将n阶模型拟合到数据上，并尝试对非线性关系进行建模。 如何拟合多项式回归 这是我们模拟观测数据的图。模拟的数据点是蓝色的点，而红色的线是信号（信号是一个技术术语，通常用于表示我们感兴趣检测的总体趋势）。 让我们用R来拟合。当拟合多项式时，您可以使用 通过使用该confint()函数，我们可以获得我们模型参数的置信区间。 模型参数的置信区间： confint（model，level = 0.95） 拟合vs残差图 总的来说，这个模型似乎很适合，因为R的平方为0.8。正如我们所预期的那样，一阶和三阶项的系数在统计上显着。 预测值和置信区间： 将线添加到现有图中： 我们可以看到，我们的模型在拟合数据方面做得不错。 文章来源: https://blog.csdn.net/qq_19600291/article/details/79852448

版权声明：本文为博主原创文章，未经博主允许不得转载。咨询链接：http://y0.cn/teradat 博文链接： https://blog.csdn.net/qq_19600291/article/details/89888141 接收器操作特性（ROC）曲线可能是评估评分分类器的预测性能的最常用的度量。 预测正类（+1）和负类（-1）的分类器的混淆矩阵具有以下结构： 预测/参考类 +1 -1 +1 TP FP -1 FN TN 这里，TP表示真阳性的数量（模型正确预测正类），FP表示误报的数量（模型错误地预测正类），FN表示假阴性的数量（模型错误地预测阴性类），TN表示真阴性的数量（模型正确预测阴性类）。 ROC曲线 在ROC曲线中，相对于假阳性率（FPR，x轴）绘制真阳性率（TPR，y轴）。这些数量定义如下： TPRFPR=TPTP+FN=FPFP+TNTPR=TPTP+FNFPR=FPFP+TN y^i=3.5y^i=3.5y^i=2y^i=2 [0,1][0,1] <span style="color:#000000"><span style="color:#000000"><code>plot.scores.AUC <- <strong>function</strong>(y, y.hat, measure = <span style="color:#880000">

版权声明：本文为博主原创文章，未经博主允许不得转载。咨询链接：http://y0.cn/teradat 博文链接： https://blog.csdn.net/qq_19600291/article/details/90519319 于时间序列预测，ARIMA等传统模型通常是一种流行的选择。虽然这些模型可以证明具有高度的准确性，但它们有一个主要缺点 - 它们通常不会解释“冲击”或时间序列的突然变化。让我们看看我们如何使用称为 卡尔曼滤波器 的模型来潜在地缓解这个问题。 我们以货币市场为例。货币对可能会有整体上升趋势，然后在抛售期间大幅下跌。传统的时间序列模型不一定能够立即解决这个问题，并且在考虑到趋势的突然变化之前可能需要几个时期。 因此，我们希望使用一个确实能够解释这种冲击的时间序列模型。让我们来看一个称为 卡尔曼滤波器 的便捷模型。 卡尔曼滤波器是一种状态空间模型，可以更快地调整冲击到时间序列。让我们看一下如何使用一个例子。 2015年1月，当瑞士国家银行决定从瑞士法郎取消瑞士法郎时，货币市场遭受了历史上最大的冲击之一。结果，瑞士法郎飙升，而其他主要货币则暴跌。 让我们看看卡尔曼滤波器如何调整这种冲击。 首先，让我们下载2015年1月的USD / CHF数据： 我们正在将货币数据转换为数据框，然后转换为日志格式以根据回报构建我们的时间序列。 现在

版权声明：本文为博主原创文章，未经博主允许不得转载。咨询链接：http://y0.cn/teradat 博文链接： https://blog.csdn.net/qq_19600291/article/details/90485459 神经网络一直是迷人的机器学习模型之一，不仅因为花哨的反向传播算法，而且还因为它们的复杂性（考虑到许多隐藏层的深度学习）和受大脑启发的结构。 神经网络并不总是流行，部分原因是它们在某些情况下仍然存在计算成本高昂，部分原因是与支持向量机（SVM）等简单方法相比，它们似乎没有产生更好的结果。然而，神经网络再一次引起了人们的注意并变得流行起来。 neuralnet 包装拟合一个简单的神经网络，并将线性模型作为比较。 数据集 我们将在MASS包中使用Boston数据集。 波士顿数据集是波士顿郊区房屋价值数据的集合。我们的目标是使用所有其他可用的连续变量来预测自住房屋（medv）的中值。 首先，我们需要检查是否缺少数据点，否则我们需要修复数据集。 apply（data，2，function（x）sum（is.na（x））） 没有遗漏数据，很好。我们通过随机将数据分成火车和测试集来进行，然后我们拟合线性回归模型并在测试集上进行测试。请注意，我正在使用该 gml() 函数而不是 lm() 这将在以后交叉验证线性模型时变得有用。 index < - sample（1

版权声明：本文为博主原创文章，未经博主允许不得转载。咨询链接：http://y0.cn/teradat 博文链接： https://blog.csdn.net/qq_19600291/article/details/89921719 本文显示了如何基于潜在的ARMA-GARCH过程（当然也涉及更广泛意义上的QRM）来拟合和预测风险价值（VaR）。 我们考虑使用\（t \）分布式创新的ARMA（1,1）-GARCH（1,1）过程。 模拟一条路径（用于说明目的）。 nu <- 3 # d.o.f. of the standardized distribution of Z_t fixed.p <- list(mu = 0, # our mu (intercept) ar1 = 0.5, # our phi_1 (AR(1) parameter of mu_t) ma1 = 0.3, # our theta_1 (MA(1) parameter of mu_t) omega = 4, # our alpha_0 (intercept) alpha1 = 0.4, # our alpha_1 (GARCH(1) parameter of sigma_t^2) beta1 = 0.2, # our beta_1 (GARCH(1) parameter of sigma_t^2) shape

1 install.packages("parallel") 2 library("parallel") 3 install.packages('doParallel') 4 library("doParallel") 5 6 n_Cores <- detectCores()##检测你的电脑的CPU核数 7 cluster_Set <- makeCluster(n_Cores)##进行集群 8 registerDoParallel(cluster_Set) 参考了https://blog.csdn.net/weixin_36220483/article/details/52639469 完整的R语言预测建模实例-从数据清理到建模预测

安装Tushare 打开RStudio，在控制台输入命令： > install.packages('Tushare') Tushare的R包需要依赖httr、tidyverse、forecast和data.table这四个包。 由于Tushare包中申明了依赖关系，因此这四个依赖包也会自动下载下来。如果下载过程卡住了，导致下载失败，可以重试几次，毕竟CRAN的服务器不在大陆，后面将介绍如何使用CRAN的国内镜像。 载入Tushare 如同安装过程，在载入Tushare的同时，R也会自动载入其依赖的包。 > library('Tushare') 也可以通过help查看Tushare的相关信息 > help('Tushare') 在R官网也可以看到Tushare的索引信息： 使用Tushare 获得api接口对象 > api <- Tushare::pro_api(token = 'YOUR TOKEN HERE') 如同在Python包中使用Tushare Pro的pro.query，向api（只要调用Tushare::pro_api获得了接口，你可以使用任意的名字命名）传递想要调用的接口名以及相应的参数就可以调用相应的数据。 在api中，必须传递的是Tushare Pro提供的接口名（详细请见官方网站 https://tushare.pro/），其他参数视相应的接口传入相应的参数。

安装Tushare 打开RStudio，在控制台输入命令： > install.packages('Tushare') Tushare的R包需要依赖httr、tidyverse、forecast和data.table这四个包。 由于Tushare包中申明了依赖关系，因此这四个依赖包也会自动下载下来。如果下载过程卡住了，导致下载失败，可以重试几次，毕竟CRAN的服务器不在大陆，后面将介绍如何使用CRAN的国内镜像。 载入Tushare 如同安装过程，在载入Tushare的同时，R也会自动载入其依赖的包。 > library('Tushare') 也可以通过help查看Tushare的相关信息 > help('Tushare') 在R官网也可以看到Tushare的索引信息： 使用Tushare 获得api接口对象 > api <- Tushare::pro_api(token = 'YOUR TOKEN HERE') 如同在Python包中使用Tushare Pro的pro.query，向api（只要调用Tushare::pro_api获得了接口，你可以使用任意的名字命名）传递想要调用的接口名以及相应的参数就可以调用相应的数据。 在api中，必须传递的是Tushare Pro提供的接口名（详细请见官方网站 https://tushare.pro/），其他参数视相应的接口传入相应的参数。