簡體書 » Python預測之美：資料分析與演算法實戰

內容簡介

Python是一種物件導向的指令碼語言，其代碼簡潔優美，類庫豐富，開發效率也很高，得到越來越多開發者的喜愛，廣泛應用於Web開發、網路程式設計、爬蟲開發、自動化運維、雲計算、人工智慧、科學計算等領域。預測技術在當今智慧分析及其應用領域中發揮著重要作用，也是大資料時代的核心價值所在。

隨著AI技術的進一步深化，預測技術將更好地支撐複雜場景下的預測需求，其商業價值不言而喻。基於Python來做預測，不僅能夠在業務上快速落地，還讓代碼維護更加方便。對預測原理的深度剖析和演算法的細緻解讀，是本書的一大亮點。

本書共分為3篇。

第1篇介紹預測基礎，主要包括預測概念理解、預測方法論、分析方法、特徵技術、模型優化及評價，讀者通過這部分內容的學習，可以掌握預測的基本步驟和方法思路。

第2篇介紹預測演算法，該部分包含多元回歸分析、複雜回歸分析、時間序列及進階演算法，內容比較有難度，需要細心品味。

第3篇介紹預測案例，包括短期日負荷曲線預測和股票價格預測兩個實例，讀者可以瞭解到實施預測時需要關注的技術細節。

希望讀者在看完本書後，能夠將本書的精要融會貫通，進一步在工作和學習實踐中提煉價值。

作者介紹

遊皓麟，大資料分析、資料採擷專家，高級培訓講師。畢業于東南大學，從事大資料相關領域工作8年有餘，專注大資料架構、機器學習、資料採擷、NLP、知識圖譜等領域的方案設計、演算法研究與工程實現。在遊戲、

第1 篇預測入門
第1 章認識預測． 2
1．1 什麼是預測． 2
1．1．1 占卜術． 3
1．1．2 神秘的地動儀． 3
1．1．3 科學預測． 5
1．1．4 預測的原則． 7
1．2 前沿技術． 9
1．2．1 大資料與預測． 10
1．2．2 大資料預測的特點 11
1．2．3 人工智慧與預測． 15
1．2．4 人工智慧預測的特點． 17
1．2．5 典型預測案例． 18
1．3 Python 預測初步． 26
1．3．1 數據預處理． 27
1．3．2 建立模型． 31
1．3．3 預測及誤差分析． 34
第2 章預測方法論． 37
2．1 預測流程． 37
2．1．1 確定主題． 38
2．1．2 收集資料． 40
2．1．3 選擇方法． 42
2．1．4 分析規律． 43
2．1．5 建立模型． 48
2．1．6 評估效果． 51
2．1．7 發佈模型． 52
2．2 指導原則． 53
2．2．1 界定問題． 53
2．2．2 判斷預測法． 55
2．2．3 外推預測法． 56
2．2．4 因果預測法． 58
2．3 團隊構成． 59
2．3．1 成員分類． 59
2．3．2 數據氛圍． 61
2．3．3 團隊合作． 63
第3 章探索規律． 65
3．1 相關分析． 65
3．1．1 自相關分析． 65
3．1．2 偏相關分析． 68
3．1．3 簡單相關分析． 69
3．1．4 互相關分析． 80
3．1．5 典型相關分析． 82
3．2 因果分析． 87
3．2．1 什麼是因果推斷． 87
3．2．2 因果推斷的方法． 90
3．2．3 時序因果推斷． 93
3．3 聚類分析． 98
3．3．1 K-Means 演算法． 98
3．3．2 系統聚類演算法． 102
3．4 關聯分析 110
3．4．1 關聯規則挖掘 110
3．4．2 Apriori 演算法． 111
3．4．3 Eclat 演算法 120
3．4．4 序列模式挖掘． 123
3．4．5 SPADE 演算法 124
第4 章特徵工程． 136
4．1 特徵變換． 136
4．1．1 概念分層． 137
4．1．2 標準化． 138
4．1．3 離散化． 141
4．1．4 函數變換． 143
4．1．5 深入表達． 144
4．2 特徵組合． 145
4．2．1 基於經驗． 145
4．2．2 二元組合． 146
4．2．3 高階多項式． 148
4．3 特徵評價． 151
4．3．1 特徵初選． 151
4．3．2 影響評價． 152
4．3．3 模型法． 167
4．4 特徵學習． 172
4．4．1 基本思路． 173
4．4．2 特徵運算式． 174
4．4．3 初始種群． 183
4．4．4 適應度． 185
4．4．5 遺傳行為． 187
4．4．6 實例分析． 192

第2 篇預測演算法
第5 章參數優化． 199
5．1 交叉驗證． 199
5．2 網格搜索． 201
5．3 遺傳演算法． 203
5．3．1 基本概念． 203
5．3．2 遺傳演算法算例． 204
5．3．3 遺傳演算法實現步驟． 209
5．3．4 遺傳演算法Python 實現 210
5．4 粒子群優化． 213
5．4．1 基本概念及原理． 213
5．4．2 粒子群演算法的實現步驟． 214
5．4．3 用Python 實現粒子群演算法 215
5．5 模擬退火． 220
5．5．1 基本概念及原理． 220
5．5．2 類比退火演算法的實現步驟． 221
5．5．3 類比退火演算法Python 實現 222
第6 章線性回歸及其優化 226
6．1 多元線性回歸． 226
6．1．1 回歸模型與基本假定． 226
6．1．2 最小二乘估計． 227
6．1．3 回歸方程和回歸係數的顯著性檢驗． 228
6．1．4 多重共線性． 229
6．2 Ridge 回歸 233
6．2．1 基本概念． 233
6．2．2 嶺跡曲線． 233
6．2．3 基於GCV 準則確定嶺參數． 235
6．2．4 Ridge 回歸的Python 實現． 237
6．3 Lasso 回歸． 237
6．3．1 基本概念． 237
6．3．2 使用LAR 演算法求解Lasso ． 238
6．3．3 Lasso 演算法的Python 實現． 240
6．4 分位數回歸． 242
6．4．1 基本概念． 242
6．4．2 分位數回歸的計算． 245
6．4．3 用單純形法求解分位數回歸及Python 實現 246
6．5 穩健回歸． 248
6．5．1 基本概念． 249
6．5．2 M 估計法及Python 實現． 250
第7 章複雜回歸分析． 254
7．1 梯度提升回歸樹（GBRT）． 254
7．1．1 Boosting 方法簡介 254
7．1．2 AdaBoost 演算法 255
7．1．3 提升回歸樹演算法． 257
7．1．4 梯度提升． 259
7．1．5 GBRT 演算法的Python 實現 261
7．2 深度神經網路． 264
7．2．1 基本概念． 264
7．2．2 從線性回歸說起． 269
7．2．3 淺層神經網路． 272
7．2．4 深層次擬合問題． 277
7．2．5 DNN 的Python 實現 278
7．3 支持向量機回歸． 281
7．3．1 基本問題． 281
7．3．2 LS-SVMR 演算法． 284
7．3．3 LS-SVMR 演算法的Python 實現． 285
7．4 高斯過程回歸． 286
7．4．1 GPR 演算法 287
7．4．2 GPR 演算法的Python 實現． 289
第8 章時間序列分析． 292
8．1 Box-Jenkins 方法 292
8．1．1 p 階自回歸模型 293
8．1．2 q 階移動平均模型 295
8．1．3 自回歸移動平均模型． 296
8．1．4 ARIMA 模型． 300
8．1．5 ARIMA 模型的Python 實現． 301
8．2 門限自回歸模型． 309
8．2．1 TAR 模型的基本原理 309
8．2．2 TAR 模型的Python 實現． 310
8．3 GARCH 模型族 313
8．3．1 線性ARCH 模型 313
8．3．2 GRACH 模型 315
8．3．3 EGARCH 模型． 315
8．3．4 PowerARCH 模型． 316
8．4 向量自回歸模型． 318
8．4．1 VAR 模型基本原理 318
8．4．2 VAR 模型的Python 實現． 320
8．5 卡爾曼濾波． 324
8．5．1 卡爾曼濾波演算法介紹． 324
8．5．2 卡爾曼濾波的Python 實現 326
8．6 迴圈神經網路． 328
8．6．1 RNN 的基本原理 329
8．6．2 RNN 演算法的Python 實現 332
8．7 長短期記憶網路． 335
8．7．1 LSTM 模型的基本原理． 336
8．7．2 LSTM 演算法的Python 實現 341

第3 篇預測應用
第9 章短期日負荷曲線預測． 345
9．1 電力行業負荷預測介紹． 345
9．2 短期日負荷曲線預測的基本要求． 346
9．3 預測建模準備． 347
9．3．1 基礎資料獲取． 347
9．3．2 缺失資料處理． 349
9．3．3 潛在規律分析． 352
9．4 基於DNN 演算法的預測 355
9．4．1 資料要求． 356
9．4．2 數據預處理． 356
9．4．3 網路結構設計． 357
9．4．4 建立模型． 358
9．4．5 預測實現． 359
9．4．6 效果評估． 359
9．5 基於LSTM 演算法的預測 361
9．5．1 資料要求． 361
9．5．2 數據預處理． 362
9．5．3 網路結構設計． 362
9．5．4 建立模型． 363
9．5．5 預測實現． 364
9．5．6 效果評估． 364
第10 章股票價格預測． 367
10．1 股票市場簡介． 367
10．2 獲取股票資料． 368
10．3 基於VAR 演算法的預測． 371
10．3．1 平穩性檢驗． 371
10．3．2 VAR 模型定階 372
10．3．3 預測及效果驗證． 373
10．4 基於LSTM 演算法的預測． 375
10．4．1 資料要求． 375
10．4．2 數據預處理． 376
10．4．3 網路結構設計． 377
10．4．4 建立模型． 377
10．4．5 預測實現． 378
10．4．6 效果評估． 378
參考文獻． 381

看更多