R语言贝叶斯广义线性混合（多层次/水平/嵌套）模型GLMM、逻辑回归分析教育留级影响因素数据
原文链接：http://tecdat.cn/?p=24203 本教程使用R介绍了具有非信息先验的贝叶斯 GLM（广义线性模型） 。 当前教程特别关注贝叶斯逻辑回归在二元结果和计数/比例结果场景中的使用，以及模型评估的相应方法。使用教育数据示例。 此外，本教程简要演示了贝叶斯 GLM 模型的多层次扩展。 本教程遵循以下结构： 1.准备工作； ...
R语言主成分回归（PCR）、 多元线性回归特征降维分析光谱数据和汽车油耗、性能数据
什么是PCR？（PCR = PCA + MLR） • PCR是处理许多 x 变量的回归技术 • 给定 Y 和 X 数据： • 在 X 矩阵上进行 PCA – 定义新变量：主成分（分数） • 在 多元线性_回归_(_MLR_) 中使用这些新变量中的一些来建模/预测 Y • Y 可能是单变量或多变量。 例子 ...
R语言集成模型：提升树boosting、随机森林、约束最小二乘法加权平均模型融合分析时间序列数据
特别是在经济学/计量经济学中，建模者不相信他们的模型能反映现实。比如：收益率曲线并不遵循三因素的Nelson-Siegel模型，股票与其相关因素之间的关系并不是线性的，波动率也不遵循Garch(1,1)过程，或者Garch(?,?)。我们只是试图为我们看到的现象找到一个合适的描述。 模型的发展往往不是由我们的理解决定的，而是由新的数据的到来决定的，这些数据并不适合现有的看法。有些人甚至可...
R语言指数平滑法holt-winters分析谷歌Google Analytics博客用户访问时间序列数据
在等距时间段内以一系列点获得的数据通常称为时间序列数据。月度零售销售、每日天气预报、失业数据、消费者情绪调查等都是时间序列数据的经典示例。事实上，自然界、科学、商业和许多其他应用中的大多数变量都依赖于可以在固定时间间隔内测量的数据。 分析时间序列数据的关键原因之一是了解过去并预测未来。科学家可以利用历史气候数据来预测未来的气候变化。营销经理可以查看某种产品的历史销售额并预测未来的需求。 ...
R语言矩阵特征值分解(谱分解)和奇异值分解(SVD)特征向量分析有价证券数据
R语言是一门非常方便的数据分析语言，它内置了许多处理矩阵的方法。 作为数据分析的一部分，我们要在有价证券矩阵的操作上做一些工作，只需几行代码。 有价证券数据矩阵在这里 D=read.table("secu.txt",header=TRU...
R语言分布滞后线性和非线性模型（DLNM）分析空气污染（臭氧）、温度对死亡率时间序列数据的影响
摘要 分布滞后非线性模型（DLNM）表示一个建模框架，可以灵活地描述在时间序列数据中显示潜在非线性和滞后影响的关联。该方法论基于交叉基的定义，交叉基是由两组基础函数的组合表示的二维函数空间，它们分别指定了预测变量和滞后变量的关系。本文在R软件实现DLNM，然后帮助解释结果，并着重于图形表示。本文提供指定和解释DLNM的概念和实践步骤，并举例说明了对实际数据的应用。 关键字：分布滞...
R语言绘制圈图、环形热图可视化基因组实战：展示基因数据比较
可以使用环状图形展示基因数据比较。可以添加多种图展信息，如热图、散点图等。 本文目标: 可视化基因组数据 制作环形热图 环形热图很漂亮。可以通过R来实现环形热图。 首先，让我们生成一个随机矩阵，并将其随机分成五组。 mat1...
R语言贝叶斯非参数模型：密度估计、非参数化随机效应META分析心肌梗死数据
原文链接：http://tecdat.cn/?p=23785 概述 最近，我们使用贝叶斯非参数（BNP）混合模型进行马尔科夫链蒙特卡洛（MCMC）推断。 在这篇文章中，我们通过展示如何使用具有不同内核的非参数混合模型进行密度估计。在后面的文章中，我们将采用参数化的广义线性混合模型，并展示如何切换到非参数化的随机效应表示，避免了正态分布的随机效应假设。 ...
R语言空气污染数据的地理空间可视化和分析：颗粒物2.5（PM2.5）和空气质量指数（AQI）
介绍 由于空气污染对公众健康的不利影响，人们一直非常关注。世界各国的环境部门都通过各种方法（例如地面观测网络）来监测和评估空气污染问题。全球的地面站及时测量了许多空气污染物，例如臭氧、一氧化碳、颗粒物。EPA（环境保护署）提供了空气污染数据，本文选择了颗粒物2.5（PM2.5）和空气质量指数（AQI）这两个关键变量，以可视化和分析空气污染的趋势和模式。PM2.5代表直径小于2.5微米的颗...
r语言逻辑回归(对数几率回归,Logistic)分析研究生录取数据实例 原创 TRL 拓端研究室 拓端数据部落
原文链接：http://tecdat.cn/?p=23717 Logistic回归，也称为Logit模型，用于对二元结果变量进行建模。在Logit模型中，结果的对数概率被建模为预测变量的线性组合。 例子 例1. 假设我们对影响一个政治候选人是否赢得选举的因素感兴趣。结果（因）变量是二元的（0/1）；赢或输。我们感兴趣的预测变量是花在竞选上的钱，花在竞选上的时间...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。