logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

基于mlr3工具包的机器学习(1)——数据、模型、训练、预测

专注系列化、高质量的R语言教程(查看推文索引)mlr3是一个关于机器学习的工具包,关于它的详细介绍可参见:网页版:https://mlr3book.mlr-org.com/intro.htmlpdf版:https://mlr3book.mlr-org.com/mlr3book.pdf在本篇推文中,学堂君将介绍机器学习其中的四个环节:数据、模型、训练、预测,但并不涉及具体的模型算法。目录如下:1 基

时间序列分析(9)| 干扰分析

本系列前面的推文仅涉及单变量时间序列的分析,从本篇起开始涉及多变量的分析。干扰分析(intervention analysis)研究的是外生变量对时间序列变量的影响作用。1 干扰分析的形式1.1 一般形式干扰分析的一般模型形式如下:402 Payment Required其中,、为滞后算子的多项式,为外生变量,为系数。需要为平稳序列;也就是说,在进行干扰分析前,应对原始序...

#python#机器学习#编程语言 +2
时间序列分析(6)| DF检验

单位根过程是特征方程含有单位根的数据序列,如随机游走模型就是一个单位根过程,它的特征方程为,其根为。检验数据序列是否存在单位根的方法是DF检验。1 随机游走过程的自相关系数1.1 理论推导...

#python#机器学习#人工智能 +2
时间序列分析(8)| 结构性变化和Perron检验

本系列的前面两篇推文介绍了使用DF和ADF方法检验时间序列数据中单位存在性。而在一些情况,使用DF和ADF方法会把受到结构性冲击的平稳过程或趋势平稳过程误认为是单位根过程。本篇就来介绍在序列存在结构性变化下的单位根检验方法——Perron检验。1 结构性变化按照Pierre Perron的研究,序列受到冲击后发生的结构性变化可以分为三类:A:冲击前后序列的水平发生变化,但...

#python#机器学习#java +2
基于mlr3工具包的机器学习(1)——数据、模型、训练、预测

专注系列化、高质量的R语言教程(查看推文索引)mlr3是一个关于机器学习的工具包,关于它的详细介绍可参见:网页版:https://mlr3book.mlr-org.com/intro.htmlpdf版:https://mlr3book.mlr-org.com/mlr3book.pdf在本篇推文中,学堂君将介绍机器学习其中的四个环节:数据、模型、训练、预测,但并不涉及具体的模型算法。目录如下:1 基

spatialreg | 空间计量模型的结果解读——直接效应和间接效应

很久之前,学堂君写了一篇介绍几种常见空间计量模型的推文,前不久又重发了下:spatialreg | 空间滞后模型、空间误差模型和空间杜宾模型简单形式的R语言实现空间计量模型相比于普通的统计模型,它引入了空间权重矩阵,其含义是一个地区某个变量(自变量)的变化,不仅会直接影响到本地区响应变量(因变量)的变化,也会一定程度上影响邻近地区响应变量的变化。那空间计量模型输出的回归系...

#python#机器学习#人工智能 +2
stats | 线性回归(四)——显著性检验和模型评价

本篇介绍线性回归的显著性检验和评价方法。示例数据同上篇:DATA<-mtcars[,c("mpg","wt","qsec",...

时间序列分析(6)| DF检验

单位根过程是特征方程含有单位根的数据序列,如随机游走模型就是一个单位根过程,它的特征方程为,其根为。检验数据序列是否存在单位根的方法是DF检验。1 随机游走过程的自相关系数1.1 理论推导...

#python#机器学习#人工智能 +2
spdep | 如何在R语言中计算空间自相关指数

空间自相关指数又称莫兰指数,是空间分析常采用的指标,但是使用不同软件计算出的莫兰指数有时会不一致,这是因为不同软件设定的默认选项不一样。本篇介绍如何在R语言中计算莫兰指数和局部莫兰指数,使...

#python#java#大数据
R语言基础 | t检验、F检验

专注系列化、高质量的R语言教程推文索引 | 联系小编 | 付费合集本篇来介绍两种常见的统计检验方法:t检验和F检验。目录如下:1 t检验1.1 单样本t检验1.2 独立样本t检验1.3 配对样本t检验1.4 单尾检验2 F检验1 t检验t检验适用于样本量较小、总体方差未知的正态分布的检验。单样本t检验用于检验样本均值是否显著异于给定的总体均值;双样本t检验用于检验两个样本的均值是否存在显著差异,或

#jquery#数据分析
    共 16 条
  • 1
  • 2
  • 请选择