R语言预测初步（R语言预测实战-节选）

最新推荐文章于 2020-12-24 10:50:56 发布
最新推荐文章于 2020-12-24 10:50:56 发布
阅读量1.8w 收藏 74
点赞数 3
分类专栏： R语言系列
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013524655/article/details/72803842
版权

经过上一节的介绍相信各位读者已经知道如何安装R及R程序包。本节拟通过一个简单的例子说明用R语言进行预测的主要步骤，旨在让各位读者了解用R语言进行预测的基本过程。本例使用forecast包中自带的数据集wineind，它表示从1980年1月到1994年8月，由葡萄酒生产商销售的容量不到1升的澳大利亚酒的总量。数据示意如下：

从数据中可知，这是典型的时间序列数据，一行表示一年，12列表示一年的12个月，按顺序整理的数据。将时间序列绘制如图1-3-20所示。

图1-3-20 葡萄酒销售量时间序列

从图中明显可以看出，该时间序列数据呈明显地周期性变化。

  • 数据读入及处理

加载forecast包，使用自带数据集wineind。使用ACF函数查看wineind数据的自相关性，代码如下：

1

2

3

#读入数据

library(forecast)

acf(wineind,lag.max=100)

得图1-3-21如下。

图1-3-21 wineind数据的自相关图

红点部分为自相关性比较明显的位置，可以初步使用近1、4、6、8、12期的数值建立指标，作为预测基础数据。另外，通过观察确定wineind的数据周期为一年，将1980年到1993年每年按月的曲线图在一张图中，进一步观察，相应代码为：

1

2

3

4

5

6

7

8

9

10

#观察曲线簇

len=1993-1980+1

data0=wineind[1:12*len]

range0=range(data0)+c(-100,100)

plot(1:12,1:12,ylim=range0,col='white',xlab="月份",ylab="销量")

for(iin1:len)

{

points(1:12,wineind[(12*(i-1)+1):(12*i)])

lines(1:12,wineind[(12*(i-1)+1):(12*i)],lty=2)

}

相应图参见图1-3-22。

图1-3-22 wineind数据与月份的关系图

由图可知，月份与销量线性关系明显，应该考虑进建模基础数据，用于预测。至此，需要将wineind的原始数据，处理成如表1-3-2所示格式，输出建模基础数据集。

表1-3-2 基础数据集属性配置表

字段名称

字段说明

描述

ID

唯一标识

R语言自动生成

Month

预测月月份

无

DstValue

预测月销量

无

RecentVal1

近1月销量

无

RecentVal4

近4月销量

无

RecentVal6

近6月销量

无

RecentVal8

近8月销量

无

RecentVal12

近12月销量

去年同期

数据转换的代码如下：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

#对数据按指定格式进行转换

Month=NULL

DstValue=NULL

RecentVal1=NULL

RecentVal4=NULL

RecentVal6=NULL

RecentVal8=NULL

RecentVal12=NULL

#替换掉太大或太小的值

wineind[wineind<18000]=18000

wineind[wineind>38000]=38000

for(iin(12+1):(length(wineind)-1))

{

Month<-c(Month,i%%12+1)

DstValue<-c(DstValue,wineind[i+1])

RecentVal1<-c(RecentVal1,wineind[i])

RecentVal4<-c(RecentVal4,wineind[i-3])

RecentVal6<-c(RecentVal6,wineind[i-5])

RecentVal8<-c(RecentVal8,wineind[i-7])

RecentVal12<-c(RecentVal12,wineind[i-11])

}

preData=data.frame(Month,DstValue,RecentVal1,RecentVal4,RecentVal6,RecentVal8,RecentVal12)

head(preData)

## Month DstValue RecentVal1 RecentVal4 RecentVal6 RecentVal8 RecentVal12

## 1 2 18000 18000 22591 23739 19227 18000

## 2 3 20008 18000 26786 21133 22893 20016

## 3 4 21354 20008 29740 22591 23739 18000

## 4 5 19498 21354 18000 26786 21133 18019

## 5 6 22125 19498 18000 29740 22591 19227

## 6 7 25817 22125 20008 18000 26786 22893

#画出散点矩阵图

plot(preData)

图1-3-23 散点矩阵图

注意到红圈部分，圈出了两个点，在建模之前需要去掉这两个点，因为这样杠杆点很影响线性模型的建模效果。建立DstValue与RecentVal12的线性模型，通过cooks.distance函数计算每行记录对模拟的影响度量，代码如下：

1

2

3

4

5

#使用DstValue与RecentVal12拟合线性模型

lm.fit=lm(DstValue~RecentVal12,data=preData)

cook<-cooks.distance(lm.fit)

plot(cook)

abline(h=0.15,lty=2,col='red')

图1-3-24 分离杠杆点

6

7

8

9

10

cook[cook>0.15]

## 79 123

## 0.1706335 0.2433219

#去掉79和123行记录

preData=preData[-c(123,79),]

  • 建立模型

根据上一步输出的基础数据，提取150行作为训练数据，剩下的数据作为测试数据。数据分割及建模的代码如下：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

#分离训练集与测试集

trainData=preData[1:150,]

testData=preData[151:163,]

 

#建立模型

lm.fit<-lm(DstValue~Month+RecentVal1+RecentVal4+RecentVal6+RecentVal8+RecentVal12,data=trainData)

summary(lm.fit)

##

## Call:

## lm(formula = DstValue ~ Month + RecentVal1 + RecentVal4 + RecentVal6 +

## RecentVal8 + RecentVal12, data = trainData)

##

## Residuals:

## Min 1Q Median 3Q Max

## -4806.5 -1549.1 -171.8 1368.7 6763.3

##

## Coefficients:

## Estimate Std. Error t value Pr(>|t|)

## (Intercept) 2.214e+03 1.987e+03 1.114 0.26714

## Month 3.855e+02 8.955e+01 4.305 3.08e-05 ***

## RecentVal1 -2.964e-03 3.354e-02 -0.088 0.92971

## RecentVal4 7.227e-02 3.567e-02 2.026 0.04463 *

## RecentVal6 -1.825e-02 3.759e-02 -0.486 0.62804

## RecentVal8 1.123e-01 3.903e-02 2.876 0.00464 **

## RecentVal12 6.701e-01 5.921e-02 11.316 < 2e-16 ***

## ---

## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

##

## Residual standard error: 1989 on 143 degrees of freedom

## Multiple R-squared: 0.848, Adjusted R-squared: 0.8416

## F-statistic: 133 on 6 and 143 DF, p-value: < 2.2e-16

可以看到，调整后的R平方达到0.84，作为模型来讲，基本可以使用。但是看下误差项(Intercept)的P值为0.26714，不显著。所以，目前的模型还需要进一步调整，使得误差项(Intercept)的P值低于0.05或0.01为止。另外，变量RecentVal1 和RecentVal6的P值都较大，明显不显著，考虑了变量之间的相互影响，暂时保留。几个变量中，除了RecentVal12与目标变量呈现比较明显的线性关系外，其它变量跟目标变量的线性关系并不明显。为了让模型拟合得更好，现在开始尝试非线性的方法。由于变量RecentVal1 和RecentVal6对目标变量的影响不明显。这里主要考虑Month、RecentVal4、RecentVal8三个变量对目标变量的非线性影响。在所有的非线性方法中，多项式比较适合单个变量的衍生变换。因此，这里对Month、RecentVal4、RecentVal8三个变量使用多项式的方法，尝试最高次数为5的情况下，模型的拟合情况。代码如下：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81
82

83

#对Month、RecentVal4、RecentVal8三个变量按5次多项式进行衍生

lm.fit<-lm(DstValue~Month+I(Month^2)+I(Month^3)+I(Month^4)+I(Month^5)+RecentVal1+RecentVal4+I(RecentVal4^2)+I(RecentVal4^3)+I(RecentVal4^4)+I(RecentVal4^5)+RecentVal6+RecentVal8+I(RecentVal8^2)+I(RecentVal8^3)+I(RecentVal8^4)+I(RecentVal8^5)+RecentVal12,data=trainData)

summary(lm.fit)

##

## Call:

## lm(formula = DstValue ~ Month + I(Month^2) + I(Month^3) + I(Month^4) +

## I(Month^5) + RecentVal1 + RecentVal4 + I(RecentVal4^2) +

## I(RecentVal4^3) + I(RecentVal4^4) + I(RecentVal4^5) + RecentVal6 +

## RecentVal8 + I(RecentVal8^2) + I(RecentVal8^3) + I(RecentVal8^4) +

## I(RecentVal8^5) + RecentVal12, data = trainData)

##

## Residuals:

## Min 1Q Median 3Q Max

## -4058.4 -1223.1 0.3 1178.7 4386.0

##

## Coefficients:

## Estimate Std. Error t value Pr(>|t|)

## (Intercept) 4.420e+05 8.389e+05 0.527 0.5992

## Month 7.166e+03 4.803e+03 1.492 0.1381

## I(Month^2) -2.775e+03 1.974e+03 -1.406 0.1621

## I(Month^3) 5.143e+02 3.558e+02 1.446 0.1507

## I(Month^4) -4.366e+01 2.893e+01 -1.509 0.1336

## I(Month^5) 1.378e+00 8.671e-01 1.589 0.1144

## RecentVal1 5.421e-02 5.838e-02 0.928 0.3549

## RecentVal4 9.451e+01 1.099e+02 0.860 0.3913

## I(RecentVal4^2) -7.444e-03 8.323e-03 -0.894 0.3728

## I(RecentVal4^3) 2.888e-07 3.103e-07 0.930 0.3538

## I(RecentVal4^4) -5.522e-12 5.699e-12 -0.969 0.3343

## I(RecentVal4^5) 4.168e-17 4.124e-17 1.011 0.3140

## RecentVal6 -8.917e-02 4.276e-02 -2.085 0.0390 *

## RecentVal8 -1.844e+02 1.119e+02 -1.649 0.1016

## I(RecentVal8^2) 1.456e-02 8.468e-03 1.720 0.0878 .

## I(RecentVal8^3) -5.620e-07 3.155e-07 -1.781 0.0772 .

## I(RecentVal8^4) 1.062e-11 5.789e-12 1.835 0.0687 .

## I(RecentVal8^5) -7.884e-17 4.186e-17 -1.883 0.0619 .

## RecentVal12 5.546e-01 6.477e-02 8.564 2.59e-14 ***

## ---

## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

##

## Residual standard error: 1841 on 131 degrees of freedom

## Multiple R-squared: 0.8806, Adjusted R-squared: 0.8642

## F-statistic: 53.7 on 18 and 131 DF, p-value: < 2.2e-16

#由于涉及到变量太多，使用逐步回归删除掉影响小的变量

lm.fit<-step(lm.fit)

省略。

summary(lm.fit)

##

## Call:

## lm(formula = DstValue ~ Month + I(Month^4) + I(Month^5) + I(RecentVal4^3) +

## I(RecentVal4^4) + I(RecentVal4^5) + RecentVal6 + RecentVal8 +

## I(RecentVal8^2)+ I(RecentVal8^3) + I(RecentVal8^4) + I(RecentVal8^5) +

## RecentVal12, data = trainData)

##

## Residuals:

## Min 1Q Median 3Q Max

## -4314.5 -1268.5 -66.1 1182.6 4833.0

##

## Coefficients:

## Estimate Std. Error t value Pr(>|t|)

## (Intercept) 1.083e+06 5.685e+05 1.905 0.058858 .

## Month 8.798e+02 2.612e+02 3.368 0.000984 ***

## I(Month^4) -1.704e+00 7.587e-01 -2.246 0.026346 *

## I(Month^5) 1.328e-01 5.549e-02 2.394 0.018030 *

## I(RecentVal4^3) 1.816e-09 1.138e-09 1.595 0.112945

## I(RecentVal4^4) -1.022e-13 5.913e-14 -1.728 0.086269 .

## I(RecentVal4^5) 1.500e-18 8.052e-19 1.863 0.064676 .

## RecentVal6 -9.925e-02 3.953e-02 -2.511 0.013213 *

## RecentVal8 -2.143e+02 1.095e+02 -1.958 0.052266 .

## I(RecentVal8^2) 1.669e-02 8.295e-03 2.012 0.046187 *

## I(RecentVal8^3) -6.364e-07 3.094e-07 -2.057 0.041585 *

## I(RecentVal8^4) 1.190e-11 5.681e-12 2.095 0.038006 *

## I(RecentVal8^5) -8.747e-17 4.111e-17 -2.127 0.035187 *

## RecentVal12 5.561e-01 6.317e-02 8.803 5.39e-15 ***

## ---

## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

##

## Residual standard error: 1832 on 136 degrees of freedom

## Multiple R-squared: 0.8773, Adjusted R-squared: 0.8656

## F-statistic: 74.81 on 13 and 136 DF, p-value: < 2.2e-16

去掉P值较大的三个变量I(RecentVal4^3)、I(RecentVal4^4)、I(RecentVal4^5)后，再拟合一次模型，代码如下：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

lm.fit<-lm(formula=DstValue~Month+I(Month^4)+I(Month^5)+RecentVal6+

RecentVal8+I(RecentVal8^2)+I(RecentVal8^3)+I(RecentVal8^4)+

I(RecentVal8^5)+RecentVal12,data=trainData)

summary(lm.fit)

##

## Call:

## lm(formula = DstValue ~ Month + I(Month^4) + I(Month^5) + RecentVal6 +

## RecentVal8 + I(RecentVal8^2) + I(RecentVal8^3) + I(RecentVal8^4) +

## I(RecentVal8^5) + RecentVal12, data = trainData)

##

## Residuals:

## Min 1Q Median 3Q Max

## -4244.9 -1295.2 -32.6 1174.8 7125.9

##

## Coefficients:

## Estimate Std. Error t value Pr(>|t|)

## (Intercept) 1.345e+06 5.659e+05 2.377 0.01879 *

## Month 8.941e+02 2.072e+02 4.316 3.00e-05 ***

## I(Month^4) -1.824e+00 6.404e-01 -2.847 0.00508 **

## I(Month^5) 1.417e-01 4.771e-02 2.969 0.00352 **

## RecentVal6 -9.957e-02 3.872e-02 -2.571 0.01118 *

## RecentVal8 -2.649e+02 1.087e+02 -2.436 0.01611 *

## I(RecentVal8^2) 2.058e-02 8.228e-03 2.501 0.01354 *

## I(RecentVal8^3) -7.838e-07 3.064e-07 -2.558 0.01160 *

## I(RecentVal8^4) 1.466e-11 5.619e-12 2.608 0.01009 *

## I(RecentVal8^5) -1.077e-16 4.061e-17 -2.653 0.00892 **

## RecentVal12 5.629e-01 6.377e-02 8.827 4.12e-15 ***

## ---

## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

##

## Residual standard error: 1874 on 139 degrees of freedom

## Multiple R-squared: 0.8688, Adjusted R-squared: 0.8593

## F-statistic: 92.02 on 10 and 139 DF, p-value: < 2.2e-16

如上为本次拟合的结果，所有系数的P值都小于0.05，影响明显，且拟合优度为0.86，可用于预测。lm.fit就是我们建立的用于时间序列预测的线性回归模型。

  • 预测及误差分析

用lm.fit作为预测模型，对预测数据源testData进行预测。代码如下：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

#对新数据进行预测

testData$pred=predict(lm.fit,testData)

#计算百分误差率

testData$diff=abs(testData$DstValue-testData$pred)/testData$DstValue

testData

## Month DstValue RecentVal1 RecentVal4 RecentVal6 RecentVal8 RecentVal12

## 153 10 28496 22724 24735 26805 19463 25650

## 154 11 32857 28496 29356 25236 24352 30923

## 155 12 37198 32857 31234 24735 26805 37240

## 156 1 18000 37198 22724 29356 25236 18000

## 157 2 22784 18000 28496 31234 24735 19463

## 158 3 23565 22784 32857 22724 29356 24352

## 159 4 26323 23565 37198 28496 31234 26805

## 160 5 23779 26323 18000 32857 22724 25236

## 161 6 27549 23779 22784 37198 28496 24735

## 162 7 29660 27549 23565 18000 32857 29356

## 163 8 23356 29660 26323 22784 37198 31234

## pred diff

## 153 25154.08 0.117276814

## 154 31448.29 0.042874098

## 155 37063.76 0.003608861

## 156 18724.46 0.040247684

## 157 20238.79 0.111710356

## 158 24022.79 0.019426610

## 159 25778.01 0.020704134

## 160 24900.35 0.047157117

## 161 24405.94 0.114089645

## 162 30005.15 0.011636800

## 163 30888.46 0.322506541

summary(testData)

## Month DstValue RecentVal1 RecentVal4

## Min. : 1.000 Min. :18000 Min. :18000 Min. :18000

## 1st Qu.: 3.500 1st Qu.:23461 1st Qu.:23175 1st Qu.:23175

## Median : 6.000 Median :26323 Median :26323 Median :26323

## Mean : 6.273 Mean :26688 Mean :26630 Mean :27025

## 3rd Qu.: 9.000 3rd Qu.:29078 3rd Qu.:29078 3rd Qu.:30295

## Max. :12.000 Max. :37198 Max. :37198 Max. :37198

## RecentVal6 RecentVal8 RecentVal12 pred

## Min. :18000 Min. :19463 Min. :18000 Min. :18724

## 1st Qu.:23760 1st Qu.:24544 1st Qu.:24544 1st Qu.:24214

## Median :26805 Median :26805 Median :25650 Median :25154

## Mean :27220 Mean :27496 Mean :26636 Mean :26603

## 3rd Qu.:30295 3rd Qu.:30295 3rd Qu.:30140 3rd Qu.:30447

## Max. :37198 Max. :37198 Max. :37240 Max. :37064

## diff

## Min. :0.003609

## 1st Qu.:0.020065

## Median :0.042874

## Mean :0.077385

## 3rd Qu.:0.112900

## Max. :0.322506

从统计结果中，可以看到，对预测数据集共11条记录进行预测，最小百分误差率为0.36%，最大百分误差率为32.25%，平均百分误差率为7.73%。预测结果还是很不错的，除了最后一条记录，预测值为30888.46，取整为30888与真实结果23356差别较大，根据笔者的经验，该月可能遇到什么特殊情况（如气象灾害导致葡萄收成不好等），导致高估了葡萄酒的销量。当预测不准时，不见得都是模型的问题，有可能是数据的问题，这时需要从数据中去发现问题，并进一步解决问题，预测的目的就是为了改变。有兴趣的读者，还可以使用纵横两年的数据关系，构建指标体系，有望对模型进一步优化。

u013524655
关注
  • 3
    点赞
  • 踩
  • 74
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
R语言拟合ARIMA模型并使用拟合模型进行预测推理：使用forecast函数计算ARIMA模型未来值（包含时间点、预测值、两个置信区间）
statistics+insight+vista+power
08-09 1855
R语言拟合ARIMA模型并使用拟合模型进行预测推理：使用forecast函数计算ARIMA模型未来值（包含时间点、预测值、两个置信区间）
R语言拟合ARIMA模型并使用拟合模型进行预测推理：使用forecast函数计算ARIMA模型未来值（如果只想提取预测值，将结果分配给一个对象，然后提取名为mean的列表）
statistics+insight+vista+power
08-07 980
R语言拟合ARIMA模型并使用拟合模型进行预测推理：使用forecast函数计算ARIMA模型未来值（如果只想提取预测值，将结果分配给一个对象，然后提取名为mean的列表）
wind forecast.rar_MATLAB预测_wind forecast_预测 组合_预测相关
07-13
论文用 预测相关 三个统计方法和组合预测的matlab程序
r语言没有forecast这个函数_R语言入门：预测新的值
weixin_39517868的博客
12-24 2487
一、问题根据所得到的回归模型预测新的值。二、解决方案将要用于预测的数据保存到数据框中。用predict函数，将newdata参数设为这个数据框：> m > preds > predict(m, newdata=preds)三、讨论有了线性模型，就可以很方便地做预测，predict函数会搞定所有的麻烦。唯一的麻烦就是要把你的数据整到数据框中去。predict函数会返回一个预测值的向...
毕业实用模型（三）——时间序列forecast包的使用
统计学小王子的博客
04-17 1万+
accuracy函数 描述：输入参数是模型，输出下面的结果： 参数 含义 ME: 平均误差 RMSE 根均方误差 MAE 平均绝对误差 MPE 平均百分比误差 MAPE 平均绝对百分比误差 MASE 平均绝对比例误差 ACF1 滞后1阶误差的自相关 ...
R语言-时间序列-arima模型-forecast、tseries包
热门推荐
symoriaty的博客
10-30 3万+
最近初步接触了下如何用R语言进行时间序列分析，自己动手写了段小代码。 首先呢是生成随机观测值，接着画出时间序列图，然后进行单根检验和用 ACF 和 PACF 指令分别画出自相关数和偏自相关系数图。 随机观测值生成我用了两种，一种是迭代随机生成，一种是用arima.sim函数生成一列符合arima(p,q)模型的数据。 install.packages("tseries") #安装"tse
R-4.0.2 forecast预测
kwame211的博客
08-03 5670
library("forecast") skirts <- scan("http://robjhyndman.com/tsdldata/roberts/skirts.dat",skip=5) skirtsts<- ts(skirts,start = c(1866)) plot.ts(skirtsts) skirtsarima<-arima(skirtsts,order=c(1,2,5)) skirtsarima2<-arima(skirtsts,order=c(2,2,0))..
基于R的金融收益的分析和预测
snow654321的博客
09-18 2440
研究目的：根据上证综合指数历史收益率数据（2016.1.5-2018.4.4），对其收益进行分析和预测。 **分析思路：**读取数据—平稳性检验—白噪声检验（代码同上，此处不再赘述）–ARIMA模型拟合—序列预测。 预备知识1：ARIMA模型拟合指令arima(x,order=c(p,d,q),method=c(“ML”,“CSS”),include.mean) 其中:x—带估计序列； Order—指定模型阶数；其中，P为自回归阶数；d为差分阶数，若为平稳序列，则不需要差分即d=0；q为移动平均阶数。 me
人工智能-语音识别-《自然语言处理综论》（节选）翻译实践报告.pdf
06-27
人工智能-语音识别-《自然语言处理综论》（节选）翻译实践报告.pdf
白刃之战：PHP vs. ASP.NET（节选）－架构比较
01-02
作者：Robert Lair and Jason Lefebvr Intensity Software, Inc....这场争论由于微软的ASP.net带来的巨大变化而进入了新时期。和ASP 3.0比起来，ASP.NET采用了全新的设计，有着很多新的特性和优点。...
1998B：灾情巡视的最佳路线-节选-.pdf
最新发布
02-05
1998B：灾情巡视的最佳路线_节选_.pdf
【成果】58同城-类型-车系-节选-详情页.csv
03-30
【成果】58同城-类型-车系-节选-详情页.csv
大地的语言 节选 [大地的语言（节选）阅读附答案] .docx
11-18
大地的语言 节选 [大地的语言（节选）阅读附答案] .docx
用R语言绘制动态地图，代码奉上!（REmap包详解）
栖客
05-30 2万+
options(remap.ak="MY07CLhm3wKi4N2tQ6WP4kzz21BBZagI") 安装包 library(devtools) install_github('badbye/baidumap') install_github('lchiffon/REmap') baidumap包函数说明 getBaiduMap函数 getBaiduMap(location, w
R语言lattice包介绍
栖客
05-29 1万+
lattice包是一个非常强大地高级绘图程序包，由Deepayan Sarkar编写，这个程序包使20世纪90年代初期在贝尔实验室发展起来的特雷里斯图形框架（Trellis）变成了现实。 lattice包很容易实现单变量或多变量的数据可视化，生成的图形为栅栏图。在一个或多个其它变量的条件下，栅栏图可展示某个变量的分布或与其他变量间的关系。 lattice包提供了丰富的图形函数，可生成单变量图形(点
R语言中样本平衡的几种方法
栖客
06-06 8089
在对不平衡的分类数据集进行建模时，机器学习算法可能并不稳定，其预测结果甚至可能是有偏的，而预测精度此时也变得带有误导性。在不平衡的数据中，任一算法都没法从样本量少的类中获取足够的信息来进行精确预测。因此，机器学习算法常常被要求应用在平衡数据集上。不平衡分类是一种有监督学习，但它处理的对象中有一个类所占的比例远远大于其余类。比起多分类，这一问题在二分类中更为常见。不平衡一词指代数据中响应变量（被解释
外推预测法（R语言预测实战-节选）
栖客
05-29 4912
外推预测法是根据过去和现在的发展趋势推断未来的一类方法的总称。因为外推预测法基于过去的行为数据，所以它是保守的。通常可以使用时间序列数据或横截面数据进行外推预测。对于横截面数据进行外推的情况，比如可以使用一些州枪支法律改变的行为反应来预测其它州的反应。当外推的结果与真实的结果不一致时，外推就不再保守了。此时，可以考虑加入判断，合并到外推的结果中。那么有哪些方法可以合并一些知识到外推的结果中呢？
《R Cookbook》中文笔记
栖客
11-08 3224
据集 ......................................................................................................................... 15 @选择镜像 .................................................................
gnu ld脚本命令语言
08-11
使用GNU ld脚本命令语言，开发人员可以实现很多高级的链接操作，如节选优化、符号重定位、库文件搜索路径和版本控制等。它还提供了灵活的扩展机制，允许开发人员通过自定义命令和脚本宏来扩展链接器的功能。 ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值