Python預(yù)測之美：數(shù)據(jù)分析與算法實(shí)戰(zhàn)

第1 篇 預(yù)測入門
第1 章 認(rèn)識(shí)預(yù)測 ． 2
1．1 什么是預(yù)測 ． 2
1．1．1 占卜術(shù) ． 3
1．1．2 神秘的地動(dòng)儀 ． 3
1．1．3 科學(xué)預(yù)測 ． 5
1．1．4 預(yù)測的原則 ． 7
1．2 前沿技術(shù) ． 9
1．2．1 大數(shù)據(jù)與預(yù)測 ． 10
1．2．2 大數(shù)據(jù)預(yù)測的特點(diǎn) 11
1．2．3 人工智能與預(yù)測 ． 15
1．2．4 人工智能預(yù)測的特點(diǎn) ． 17
1．2．5 典型預(yù)測案例 ． 18
1．3 Python 預(yù)測初步 ． 26
1．3．1 數(shù)據(jù)預(yù)處理 ． 27
1．3．2 建立模型 ． 31
1．3．3 預(yù)測及誤差分析 ． 34
第2 章 預(yù)測方法論 ． 37
2．1 預(yù)測流程 ． 37
2．1．1 確定主題 ． 38
2．1．2 收集數(shù)據(jù) ． 40
2．1．3 選擇方法 ． 42
2．1．4 分析規(guī)律 ． 43
2．1．5 建立模型 ． 48
2．1．6 評估效果 ． 51
2．1．7 發(fā)布模型 ． 52
2．2 指導(dǎo)原則 ． 53
2．2．1 界定問題 ． 53
2．2．2 判斷預(yù)測法 ． 55
2．2．3 外推預(yù)測法 ． 56
2．2．4 因果預(yù)測法 ． 58
2．3 團(tuán)隊(duì)構(gòu)成 ． 59
2．3．1 成員分類 ． 59
2．3．2 數(shù)據(jù)氛圍 ． 61
2．3．3 團(tuán)隊(duì)合作 ． 63
第3 章 探索規(guī)律 ． 65
3．1 相關(guān)分析 ． 65
3．1．1 自相關(guān)分析 ． 65
3．1．2 偏相關(guān)分析 ． 68
3．1．3 簡單相關(guān)分析 ． 69
3．1．4 互相關(guān)分析 ． 80
3．1．5 典型相關(guān)分析 ． 82
3．2 因果分析 ． 87
3．2．1 什么是因果推斷 ． 87
3．2．2 因果推斷的方法 ． 90
3．2．3 時(shí)序因果推斷 ． 93
3．3 聚類分析 ． 98
3．3．1 K-Means 算法 ． 98
3．3．2 系統(tǒng)聚類算法 ． 102
3．4 關(guān)聯(lián)分析 110
3．4．1 關(guān)聯(lián)規(guī)則挖掘 110
3．4．2 Apriori 算法 ． 111
3．4．3 Eclat 算法 120
3．4．4 序列模式挖掘 ． 123
3．4．5 SPADE 算法 124
第4 章 特征工程 ． 136
4．1 特征變換 ． 136
4．1．1 概念分層 ． 137
4．1．2 標(biāo)準(zhǔn)化 ． 138
4．1．3 離散化 ． 141
4．1．4 函數(shù)變換 ． 143
4．1．5 深入表達(dá) ． 144
4．2 特征組合 ． 145
4．2．1 基于經(jīng)驗(yàn) ． 145
4．2．2 二元組合 ． 146
4．2．3 高階多項(xiàng)式 ． 148
4．3 特征評價(jià) ． 151
4．3．1 特征初選 ． 151
4．3．2 影響評價(jià) ． 152
4．3．3 模型法 ． 167
4．4 特征學(xué)習(xí) ． 172
4．4．1 基本思路 ． 173
4．4．2 特征表達(dá)式 ． 174
4．4．3 初始種群 ． 183
4．4．4 適應(yīng)度 ． 185
4．4．5 遺傳行為 ． 187
4．4．6 實(shí)例分析 ． 192
第2 篇 預(yù)測算法
第5 章 參數(shù)優(yōu)化 ． 199
5．1 交叉驗(yàn)證 ． 199
5．2 網(wǎng)格搜索 ． 201
5．3 遺傳算法 ． 203
5．3．1 基本概念 ． 203
5．3．2 遺傳算法算例 ． 204
5．3．3 遺傳算法實(shí)現(xiàn)步驟 ． 209
5．3．4 遺傳算法Python 實(shí)現(xiàn) 210
5．4 粒子群優(yōu)化 ． 213
5．4．1 基本概念及原理 ． 213
5．4．2 粒子群算法的實(shí)現(xiàn)步驟 ． 214
5．4．3 用Python 實(shí)現(xiàn)粒子群算法 215
5．5 模擬退火 ． 220
5．5．1 基本概念及原理 ． 220
5．5．2 模擬退火算法的實(shí)現(xiàn)步驟 ． 221
5．5．3 模擬退火算法Python 實(shí)現(xiàn) 222
第6 章 線性回歸及其優(yōu)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(jì) ． 227
6．1．3 回歸方程和回歸系數(shù)的顯著性檢驗(yàn) ． 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 基于GCV 準(zhǔn)則確定嶺參數(shù) ． 235
6．2．4 Ridge 回歸的Python 實(shí)現(xiàn) ． 237
6．3 Lasso 回歸 ． 237
6．3．1 基本概念 ． 237
6．3．2 使用LAR 算法求解Lasso ． 238
6．3．3 Lasso 算法的Python 實(shí)現(xiàn) ． 240
6．4 分位數(shù)回歸 ． 242
6．4．1 基本概念 ． 242
6．4．2 分位數(shù)回歸的計(jì)算 ． 245
6．4．3 用單純形法求解分位數(shù)回歸及Python 實(shí)現(xiàn) 246
6．5 穩(wěn)健回歸 ． 248
6．5．1 基本概念 ． 249
6．5．2 M 估計(jì)法及Python 實(shí)現(xiàn) ． 250
第7 章 復(fù)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 算法 255
7．1．3 提升回歸樹算法 ． 257
7．1．4 梯度提升 ． 259
7．1．5 GBRT 算法的Python 實(shí)現(xiàn) 261
7．2 深度神經(jīng)網(wǎng)絡(luò) ． 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(jīng)網(wǎng)絡(luò) ． 272
7．2．4 深層次擬合問題 ． 277
7．2．5 DNN 的Python 實(shí)現(xiàn) 278
7．3 支持向量機(jī)回歸 ． 281
7．3．1 基本問題 ． 281
7．3．2 LS-SVMR 算法 ． 284
7．3．3 LS-SVMR 算法的Python 實(shí)現(xiàn) ． 285
7．4 高斯過程回歸 ． 286
7．4．1 GPR 算法 287
7．4．2 GPR 算法的Python 實(shí)現(xiàn) ． 289
第8 章 時(shí)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(dòng)平均模型 295
8．1．3 自回歸移動(dòng)平均模型 ． 296
8．1．4 ARIMA 模型 ． 300
8．1．5 ARIMA 模型的Python 實(shí)現(xiàn) ． 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(shí)現(xiàn) ． 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(shí)現(xiàn) ． 320
8．5 卡爾曼濾波 ． 324
8．5．1 卡爾曼濾波算法介紹 ． 324
8．5．2 卡爾曼濾波的Python 實(shí)現(xiàn) 326
8．6 循環(huán)神經(jīng)網(wǎng)絡(luò) ． 328
8．6．1 RNN 的基本原理 329
8．6．2 RNN 算法的Python 實(shí)現(xiàn) 332
8．7 長短期記憶網(wǎng)絡(luò) ． 335
8．7．1 LSTM 模型的基本原理 ． 336
8．7．2 LSTM 算法的Python 實(shí)現(xiàn) 341
第3 篇 預(yù)測應(yīng)用
第9 章 短期日負(fù)荷曲線預(yù)測 ． 345
9．1 電力行業(yè)負(fù)荷預(yù)測介紹 ． 345
9．2 短期日負(fù)荷曲線預(yù)測的基本要求 ． 346
9．3 預(yù)測建模準(zhǔn)備 ． 347
9．3．1 基礎(chǔ)數(shù)據(jù)采集 ． 347
9．3．2 缺失數(shù)據(jù)處理 ． 349
9．3．3 潛在規(guī)律分析 ． 352
9．4 基于DNN 算法的預(yù)測 355
9．4．1 數(shù)據(jù)要求 ． 356
9．4．2 數(shù)據(jù)預(yù)處理 ． 356
9．4．3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) ． 357
9．4．4 建立模型 ． 358
9．4．5 預(yù)測實(shí)現(xiàn) ． 359
9．4．6 效果評估 ． 359
9．5 基于LSTM 算法的預(yù)測 361
9．5．1 數(shù)據(jù)要求 ． 361
9．5．2 數(shù)據(jù)預(yù)處理 ． 362
9．5．3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) ． 362
9．5．4 建立模型 ． 363
9．5．5 預(yù)測實(shí)現(xiàn) ． 364
9．5．6 效果評估 ． 364
第10 章 股票價(jià)格預(yù)測 ． 367
10．1 股票市場簡介 ． 367
10．2 獲取股票數(shù)據(jù) ． 368
10．3 基于VAR 算法的預(yù)測 ． 371
10．3．1 平穩(wěn)性檢驗(yàn) ． 371
10．3．2 VAR 模型定階 372
10．3．3 預(yù)測及效果驗(yàn)證 ． 373
10．4 基于LSTM 算法的預(yù)測． 375
10．4．1 數(shù)據(jù)要求 ． 375
10．4．2 數(shù)據(jù)預(yù)處理 ． 376
10．4．3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) ． 377
10．4．4 建立模型 ． 377
10．4．5 預(yù)測實(shí)現(xiàn) ． 378
10．4．6 效果評估 ． 378
參考文獻(xiàn) ． 381