“投资组合”是指金融资产（如股票、债券和现金）的任何组合。投资组合有很多类型，包括市场投资组合和零投资投资组合。可以使用以下任何一种投资方法和原则来管理投资组合的资产分配：股息加权、均等加权、资本化加权、价格加权、风险平价、资本资产定价模型、套利定价理论、詹森指数、特雷诺比率、夏普对角线（或指数）模型、风险价值模型、现代投资组合理论等。一、投资组合理论投资组合理论是指若干种证券组成的投资组合，其收
转载
2023-11-20 11:49:23
0阅读
MONTE CARLO ALGORITHMS FOR OPTIMAL STOPPING AND STATISTICAL LEARNING
DANIEL EGLOFF
Annals of Applied Probability, 2004, 15(2):1396-1432.只是截取里面的综述部分，算法内容看不懂。。。 摘要： 我们扩展了Longsta-Schwartz算法，用于近似求解高维
转载
2023-12-19 05:45:02
64阅读
横坐标是变量，纵坐标是Adjusted R2，可见除截距项以外，只选定Population和Illiteracy这两个变量，可以使线性模型有最大的Adjusted R2。全子集回归比逐步回归范围更广，模型优化效果更好，但是一旦变量数多了之后，全子集回归迭代的次数就很多，就会很慢。事实上，变量的选择不是机械式地只看那几个统计指标，更主要的是根据数据的实际意义，从业务角度上来选择合适的变量。线性模型变
# R语言中的卡尔曼滤波
## 引言
卡尔曼滤波是一种用于线性动态系统的状态估计方法，它通过分析一系列带有随机噪声的测量值来提供系统状态的估计。卡尔曼滤波被广泛应用于控制理论、信号处理和经济金融数据分析等领域。
本文将介绍卡尔曼滤波的基本原理，同时提供R语言的实现代码示例，帮助读者更深入地理解这一强大工具。我们还将通过关系图（ER图）和表格来阐明相关概念。
## 基本原理
卡尔曼滤波的基
# 卡尔曼滤波R语言实现
## 简介
卡尔曼滤波是一种常用的状态估计算法，能够通过观测数据来估计系统的状态，并根据误差进行自适应调整。在本文中，我将指导你如何使用R语言实现卡尔曼滤波算法。
## 流程概述
下面是卡尔曼滤波算法的整体流程：
```mermaid
flowchart TD
A[初始化] --> B[预测]
B --> C[更新]
C --> D[返回估计
原创
2023-09-08 09:28:30
163阅读
# R语言中的斯皮尔曼系数
斯皮尔曼系数（Spearman's rank correlation coefficient）是一种用于衡量两个变量之间的单调关系的非参数统计方法。不同于皮尔森相关系数，斯皮尔曼系数不要求对数据的正态分布假设，因此在很多情况下，应用更为广泛，尤其是在数据不满足正态性或者含有离群值的情况下。
## 1. 斯皮尔曼系数的定义
斯皮尔曼系数的值范围在-1到1之间，其中：
描述性统计：目的：描述和总结数据集的主要特征。R包：base, dplyr, ggplot2频率比较（Chi-square、Fisher's Exact Test）：目的：比较不同组别的频率或比例。R包：stats, epiRt检验/ANOVA（方差分析）：目的：比较两个或多个组的均值。R包：stats, aov, t.test相关分析（Pearson、Spearman）：目的：评估两个连续变量间
# 如何在R语言中实现斯皮尔曼相关分析
在统计分析中，斯皮尔曼相关（Spearman's rank correlation）是用于评估两个变量之间的单调关系的常用方法。对于刚入行的小白来说，下面将详细地介绍在R语言中如何实现斯皮尔曼相关分析的整个流程。
## 流程步骤
以下是进行斯皮尔曼相关分析的主要步骤：
| 步骤 | 描述 | 代码 |
|------|------|------|
|
现在面临一个问题。有三个人，A、B、C：有三个物品，1、2、3：需要将这三个物体分给三个人，每人一个。每个人对三个物品的喜好不同，要怎样分配才能让三个人的总满意度最高？分配问题 广泛存在于生产和生活中。例如为一组工作人员分配任务，或者为作战小组分配进攻目标等等。在分配过程中，精明的分配者一定会实现某个目的，例如让每个工作人员充分发挥专长，最高质量地完成任务；或者为每个作战小组分配相距最
转载
2023-09-17 17:09:46
0阅读
文章目录简介安装简单例子计算相关系数其他强大的功能 简介包的作者是一位人类遗传学的博士生，需要处理的数据都是量级非常大的，但是作者非常喜欢用R语言，众所周知，R语言很慢！所以作者才开发了这个包解决自己的实际需求！R包bigstatsr提供了大规模矩阵数据进行快速统计分析的函数。主要是使用了FBM（filebacked big matrices）和内存映射（memory-mapping）技术。不光
转载
2023-06-20 17:46:04
139阅读
# 使用 R 语言寻找最优 Lasso 回归
在现代数据分析中，Lasso（最小绝对收缩和选择算子）是一种常用的回归方法，常用于特征选择和正则化。在这篇文章中，我将指导你如何使用 R 语言寻找 Lasso 回归的最优解。整个过程包括数据准备、模型构建、参数选择等几个主要步骤。为了更清晰地展示这些步骤，下面是整个流程的表格概述：
| 步骤 | 描述 |
|------|------|
| 1
赫夫曼树的介绍(写的不好地方大佬请指教)最优二叉树又称哈夫曼树，是带权路径最短的二叉树。根据节点的个数，权值的不同，最优二叉树的形状也不同。图 6-34 是 3 棵最优二叉树的例子，它们共同的特点是带权节点都是叶子节点，权值越小，就离根节点也远，那么我们是如何构建这颗最优二叉树步骤如下：那如何创建这一个哈夫曼树呢？(百度百科)假设有n个权值，则构造出的哈夫曼树有n个叶子结点。 n个权值分别设为 w
转载
2023-11-14 15:18:00
71阅读
原文：R语言解决最优化问题-线性优化(LP)问题tecdat.cn线性优化简介优化是一种为所有可能的解决方案找到给定问题的最佳解决方案的技术。优化使用严格的数学模型来找出给定问题的最有效解决方案。要从优化问题开始，首先确定目标非常重要。目标是绩效的量化衡量。例如：最大化利润，最小化时间，最小化成本，最大化销售。优化问题可分为两组线性规划(LP)：它也被称为线性优化，在这个问题中，目标是在数学模型中
转载
2023-06-25 13:42:51
102阅读
最优化问题是普遍存在的，以前上运筹学课的时候也接触过最优化相关的问题，当时主要是理论课，并且关注的重点是单纯形法、运输问题以及图论等，这里指的最优化是指函数的最优化，即函数的极值，由于寻找一个局部最优比寻找全局最优要简单得多，所以这里的最优解也是指的局部最优解。牛顿最优化方法 仅给出代码，公式什么的。。。我不知道博客园怎么插入公式，，，，newton <- function(f3,
原创
2018-06-13 15:00:00
75阅读
最优化资源分配问题问题提出：现有三个发电厂A,B,C其生产成本和最大发电度数分别如下： 发电厂 生产成本T 最大发电度数 A P^2.2 1千万度 B 2p^1.8 1.5千万度 C 0.8p^2.0 1.8千万度 问：全年总发电量不少于3千万度，如何分配生产任务才能使公司的总发电成本最低。 问题分析：根据对发电厂发电量的要求，给A,B, C三个发电厂分配不同的发电量，生产成本是不一样的，所以，我
转载
2023-12-27 16:13:54
63阅读
视觉SLAM十四讲 第9讲 卡尔曼滤波1. 什么是卡尔曼滤波2. SLAM的状态估计3. 卡尔曼滤波器的推导4. 扩展卡尔曼滤波 1. 什么是卡尔曼滤波百度百科定义：卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可以看作是滤波过程。有简单一点的话术来总结：
转载
2023-08-30 21:54:28
100阅读
写R程序的人，相信都会遇到过“cannot allocate vector of size”或者“无法分配大小为…的矢量”这样的错误。原因很简单，基本都是产生一个大矩阵等对象时发生的，最干脆的解决办法有两种，第一种是加大内存换64位系统，第二种是改变算法避免如此大的对象。第一种办法，是最好的办法，不过大对象的需求是没有止尽的，终究不是长久之道。第二种办法是最好的思路，无论多么大的对象都是可以弄小的
转载
2023-11-19 13:00:54
1597阅读
目录模型调优调整超参数方法一：通过`tuninginstancesinglecrite`和`tuner`训练模型方法二：通过`autotuner`训练模型超参数设定的方法参数依赖 模型调优当你对你的模型表现不满意时，你可能希望调高你的模型表现，可通过超参数调整或者尝试一个更加适合你的模型，本篇将介绍这些操作。本章主要包括3个部分的内容：超参数调整机器学习模型都有默认的超参数，但是这些超参数不能根
转载
2023-10-16 08:53:19
94阅读
# R语言中协变量最优数量的实现指南
在统计建模中，选择合适数量的协变量对于提高模型的预测能力至关重要。本文将指导一个初学者如何在R语言中确定协变量的最优数量，包含详细步骤和示例代码。我们将采用逐步回归法和交叉验证等技术。本篇文章的结构如下：
| 步骤 | 描述 |
|------|------|
| 1 | 数据准备 |
| 2 | 加载必要的 R 包 |
| 3 | 数据探索与可视化 |
R语言-选择“最佳”的回归模型尝试获取一个回归方程时，实际上你就面对着从众多可能的模型中做选择的问题。是不是所有的变量都要包括？抑或去掉那个对预测贡献不显著的变量？还是需要添加多项式项和/或交互项来提高拟合度？最终回归模型的选择总是会涉及预测精度(模型尽可能地拟合数据)与模型简洁度(一个简单且能复制的模型)的调和问题。如果有两个几乎相同预测精度的模型，你肯定喜欢简单的那个。本节讨论的问题，就是如何
转载
2023-11-21 13:20:07
45阅读
