数据挖掘day24、25-《数据挖掘导论》-第四章，4.4-4.6 模型评估

最新推荐文章于 2020-01-02 22:51:55 发布
最新推荐文章于 2020-01-02 22:51:55 发布
阅读量231 收藏
点赞数
分类专栏： 数据挖掘
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/weixin_43329319/article/details/100116556
版权

本篇内容多是概率论，统计学已经学过。将第四章的思维导图贴上来。
在这里插入图片描述

偲偲粑
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数据挖掘概念与技术第三版 范明 孟晓峰译 第四章习题答案
nimeiwokaoi的博客
10-05 9945
4.1查询驱动的方法需要复杂的信息过滤和集成处理，这种方法是低效的，并且对于频繁的查询，开销可能很大。而更新驱动将来自多个异构源的信息预先集成，并存储在数据仓库中，供直接查询和分析，并且还支持复杂的多维查询，优势明显，因此更获得工业界的青睐。      很明显，当异构数据库数量较少时，查询开销本来就不大，查询驱动的方法就很容易进行查询分析，而构建数据仓库的代价依然很大，再使用更新驱动就得不偿失了
MySQL-数据库基础与索引解析
weixin_42011493的博客
05-09 1129
1.操作与落地 1.1.数据库基础知识 1.1.1.范式化设计 1.1.1.1.什么是范式 范式来自英文Normal Form，简称NF。 实际上你可以把它粗略地理解为 一张数据表的表结构所符合的某种设计标准的级别 。就像家里装修买建材，最环保的是E0级，其次是E1级，还有E2级等等 目前关系数据库有六种范式：第一范式（1NF）、第二范式（2NF）、第三范式（3NF）、巴斯-科德范式（BCNF）、第四范式(4NF）和第五范式5NF，又称完美范式）。 满足最低要求的范式是第一范式（1NF），在第一范式的基础上
数据挖掘导论 第四章 重点习题解答
刘伟佳的博客
05-06 6710
4.2 题目 答案 4.3 题目 答案 4.7 题目 答案
ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）
07-04
ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+完整无密码版）ASP_0DAY深入挖掘及代码防御15-20课完（带教程+工具+
零基础入门数据挖掘-二手车交易价格预测（Day3建模调参）
12-21
目录减少数据在内存中占用的空间线性回归 & 五折交叉验证 & 模拟真实业务情况简单建模五折交叉验证事实上,五折交叉验证在某些与时间相关的数据集上反而反映了不真实的情况绘制学习率曲线与验证曲线嵌入式特征选择 – 大部分情况下都是用嵌入式做特征选择# 我们看下三种模型的效果对比:线性回归; 加入了L1的Lasso回归; 加入了L2的岭回归 减少数据在内存中占用的空间 def reduce_mem_usage(df): """ iterate through all the columns of a dataframe and modify the data type to
数据挖掘导论 范明 范宏建等译
10-27
数据挖掘导论 范明 范宏建等译数据挖掘导论 范明 范宏建等译数据挖掘导论 范明 范宏建等译
ASP_0DAY深入挖掘及代码防御1-8课（带教程+工具+完整无密码版）
07-04
ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御1-8课ASP_0DAY深入挖掘及代码防御
数据挖掘导论 - 第四章:决策树 - 习题
ChanceYing的博客
09-17 2473
未完待续
《数据挖掘导论》（完整版）习题答案
11-02
《数据挖掘导论》（完整版）习题答案，答案有详细解题过程。
数据挖掘：数据挖掘导论第四章
tong_xin2010的专栏
04-20 1792
2014.4.20 参考资料
数学建模day16-预测模型，神经网络，例题一数据集
最新发布
01-15
数学建模day16-预测模型，神经网络，例题一数据集
【数据挖掘重要笔记day25】数据挖掘中的图形可视化Matplotlib绘图合集快速查找
01-06
文章目录一、matplotlib的介绍二、图表的构成三、线性图形的绘制1.绘制的基本过程2.使用交互式显示方式3.设置LateX符号4.点、线样式设置四、绘制其它图形1.柱状图的绘制2.饼图3.散布图五、绘制子图表 一、matplotlib的介绍 1.Matplotlib 是一个支持Python的2D的绘图库,可以绘制各种形式的图表 2.Matplotlib可以绘制的图表有:线图、散布图、条状图、箱图、图片已经动画(但是对于动画师不专业,对于3D图不专业的) 3.良好的操作系统兼容性 4.绘制印刷级别的高质量图表 5.可以在Python的脚本、Python Shell、IPython Shel
数据挖掘导论 - 第四章:决策树 - 笔记
ChanceYing的博客
09-17 2884
文章目录预备知识分类与回归分类模型的目的解决分类问题的一般方法 预备知识 分类与回归 通过学习得到一个目标函数（分类模型） f，把每个属性集x映射到一个预先定义的类标号y 回归是一种预测建模任务，其中目标属性y是连续的 分类模型的目的 描述性建模 分类模型可以作为解释性的工具，用于区分不同类中的对象。 预测性建模 用于预测位置记录的类标号 分类计数适合预测或描述二元或标称类型的数据集，对于叙述分...
数据挖掘day20、21-《数据挖掘导论》-第三章，探索数据
weixin_43329319的博客
08-07 522
文章目录3.3.3-1、少量属性的可视化1.1 茎叶图1.2 直方图（histogram）1.3 二维直方图（two-dimensional histogram）1.4 盒状图（box plot）1.5 饼图（pie plot）1.6 经验累积分布函数（ECDF）1.6 百分位数图（percentile plot）1.7 散布图矩阵（scatter plot matrix）1.8 散布图1.9 三...
数据挖掘day9-CS229-Linear Algebra Review and Reference
weixin_43329319的博客
01-02 445
因为计划先看的凸优化，但是发现其中很多符号不认识（不同的机构使用的不一定一样）。过两天才看到这个线性代数综述，我觉得应该是我的顺序搞反了，所以，将这一篇的日期顺序排的靠前点。其实我更推荐看原文章或翻译：中文翻译，不过这里我会把公式都打出来，主要是联系一下Latax。 1、基本概念和符号 方程组： 4x1−5x2=−134x_1-5x_2=-134x1​−5x2​=−13 −2x1+3x2=9-2x...
数据挖掘day22、23-《数据挖掘导论》-第四章，4.1-4.3.7 决策树
weixin_43329319的博客
08-28 430
决策树的实现相对我这种新手比较难，参考了一篇文章数据挖掘领域十大经典算法之—C4.5算法（超详细附代码） 树类 1、参考 但是，他里面写的内容比较散乱，明显没有书本P101的框架明白，因此仅参考了他的‘树’类。 class Tree(object): def __init__(self,node_type,Class = None, feature = None): sel...
数据挖掘day03-微积分的本质07~09
weixin_43329319的博客
07-17 378
文章目录07、极限G1、导数的正式定义G2、极限的定义G3、洛必达法则08、积分和微积分基本定理09、面积和斜率有什么关系？ 07、极限 因为之前的内容，都是直观性的讲解，所以本节是要准确的给出3个定义： G1、导数的正式定义 下面写法等价，dfdx(2)=lim⁡x→0f(2+h)−f(2)h\frac{df}{dx}(2)= \lim _{x \to 0 }\frac{f(2+h)-f(2)...
数据挖掘day12-CS229-Review of Probability Theory
weixin_43329319的博客
01-02 269
没找到中文翻译，只能自己做翻译了 概率论是对不确定性的研究。通过这个课程，我们将依靠概率论的概念来推导机器学习算法。 本文试图概括适合于CS 229水平的概率论基础知识。概率的数学理论非常复杂，其深层次内容为测量理论的分支。 在这些文档中，我们提供了概率的基本处理，但没有解决这些细节问题。 1、概率基本元素 为了定义集合上的概率，我们需要一些基本元素： • 样本空间Ω\OmegaΩ：随机实验的所有...
数据挖掘day10-CS229-Convex Optimization Overview
weixin_43329319的博客
01-02 251
斯坦福课程CS229的补充材料Convex Optimization Overview。我感觉从今天起，学习笔记会变成我的单词本(⊙﹏⊙)b，不知如此，很多相关概念、符号，大学期间也是没有学过的，这篇笔记都会记录。 首先当然是找到中文材料，补充理解 Github翻译CS229项目，知乎上的读书笔记 ...
给出21支股票日收益数据的garch-copula-var模型的python代码
06-07
以下是一个简单的21支股票日收益数据的GARCH-Copula-VaR模型的Python代码示例： ```python import pandas as pd import numpy as np import scipy.stats as st import arch # 导入数据 data = pd.read_csv('stock_returns.csv', index_col=0) # 计算每支股票的收益率 returns = data.pct_change().dropna() # 计算协方差矩阵和相关系数矩阵 cov_matrix = returns.cov() corr_matrix = returns.corr() # 估计每支股票的GARCH模型 garch_models = [] for i in range(len(returns.columns)): stock_return = returns.iloc[:, i] garch_model = arch.arch_model(stock_return, vol='GARCH', p=1, q=1) garch_models.append(garch_model.fit()) # 计算每支股票的残差 residuals = pd.DataFrame(index=returns.index, columns=returns.columns) for i in range(len(returns.columns)): stock_return = returns.iloc[:, i] garch_model = garch_models[i] residuals.iloc[:, i] = garch_model.resid # 拟合Copula模型 copula = arch.copula.GaussianCopula() copula.fit(residuals) # 估算VaR alpha = 0.01 n_days = 1 portfolio_value = 1000000 icdf = st.norm.ppf(alpha) simulated_returns = [] for i in range(n_days): # 生成标准正态残差 u = copula.simulate(len(returns)) z = st.norm.ppf(u) # 计算每支股票的条件方差 cond_var = np.zeros(len(returns)) for j in range(len(returns.columns)): garch_model = garch_models[j] cond_var += garch_model.conditional_volatility**2 # 计算组合收益率和组合方差 port_return = np.dot(np.sqrt(cond_var), z) port_var = np.dot(np.dot(z, cov_matrix), z) # 计算VaR simulated_returns.append(port_return) var = -portfolio_value * port_return - icdf * np.sqrt(portfolio_value * port_var) print('Day {}: VaR is {}'.format(i+1, var)) ``` 注意：本代码示例仅仅提供了一个简单的GARCH-Copula-VaR模型，实际应用中还需进行更加全面的数据分析、模型检验和风险控制。同时，代码中用到的收益率数据和模型参数均为示例数据，实际应用中需要进行相应的修改。

“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
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