k-近邻算法采用测量不同特征值之间的距离方法进行分类。它的工作原理是：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算
安装建议用rstudio安装（可以自动安装依赖包比较方便）a安装后在控制台输入ggplot_shiny()a有四种方式打开此界面1 ggplot_gui(你的 dataframe)2 使用自带数据集 ggplot_shiny()3 上传你的数据文件a4 粘贴一些数据（需要"tidy"，依赖包里已包含）a通过点击ggplot和plotly就可以制作图了（左侧 是数据参数
似然比检验似然比检验提供了用于比较一个模型（例如，完整模型）下的数据的可能性与另一个更受限制的模型（例如，截距模型）下的数据的可能性的手段。a其中' p ' 是逻辑模型预测概率。下一步是计算这两个对数似然之间的差异。 a两个可能性之间的差异乘以因子2，以便使用标准显着性水平（Chi2检验）评估统计显着性。测试的自由度将等于模型下估计的参数数量的差异（例如，完整和截距）。 Wald
在统计学中，逻辑模型（或logit模型）是一种广泛使用的统计模型，在其基本形式中，使用逻辑函数来模拟二进制 因变量 ; 存在更复杂的扩展。在回归分析中，逻辑回归（或logit回归）是估计逻辑模型的参数; 它是二项式回归的一种形式。在数学上，二元逻辑模型具有一个具有两个可能值的因变量，例如通过/失败，赢/输，活/死或健康/生病; 这些由指示符变量表示，其中两个值标记为“0”和“1”。
回归的定义：当存在显着的线性相关时，可以使用线来估计自变量的某些值的因变量的值。回归方程的适用范围：当存在显着的线性相关性时。也就是说，当你在相关假设检验中拒绝rho = 0的零假设时。在估计中使用的自变量的值接近原始值。也就是说，当x为200时，你不应该使用在10和20之间使用x得到的回归方程来估计y。回归方程不应与不同的人群一起使用。也就是说，如果x是男性的身高，而y是男性的体重，那
正态分布钟形关于均值对称连续曲线下的总面积为1.00大约68％位于平均值的1个标准偏差内，95％位于2个标准偏差内，99.7％位于平均值的3个标准偏差内。这是前面提到的经验规则。由x表示的数据值具有平均μ和标准偏差sigma。概率函数 a标准正态分布平均值为0方差为1标准差为1由z表示数据值。概率函数 a
最近在做一个统计套利，mspread 一个序列，> if(mspread[t-1,1] < 0
假设我们想要研究每个目的地的距离和平均延误时间之间的关系。使用已经了解的 dplyr包功能，你可能会写出以下代码：by_dest
时间序列首先要做平稳性检验，平稳可以直接建模，否则同阶单整后检验协整关系，存在协整关系后可以建模。如果做OLS多元回归，还需要做相关分析，查看相关系数。回归模型建立后，系数的T检验，方程的F检验是需要的。另外还要查看残差的异方差、自相关检验。如果是VAR且要做方差分解，那么还要看VAR是否平稳——AR根落在单位园内。
自相关检验通常包括四种方法：1画残差自相关图（初步判断）；2.BG检验；3.Q检验；4.DW检验。其中，楼主所说的DW检验是可以用来检验大样本自相关的。但其存在以下主要缺点：1.只能检验一阶自相关（楼上已经提到），且要求解释变量满足严格外生性；2.其检验统计量d依赖于数据矩阵（X），无法绘制统计表，必须借助上下限来判断。当然，即使得到了上下限的值，仍存在无结论区域。Q检验中经过改进的“Ljung-
线性回归模型(linear regression model) [1] 一种特殊的线性模型.若变量y与变量x= }x‑xz, "..二，)的关系表示为y=fCx) E，且称f (x)为y对x的回归，f (x)称为回归函数.通常在正态分布情形，若f (x>是x的线性函数(30 gx,此时称为线性回归，月。称为回归常数，厌-}};}z}…，月，)称为回归系数.线性回归模型(linear reg
除了Logistic回归能够计算预测值与真实值的综合一致程度，也即AUC外，生存分析同样能计算AUC。但生存分析假设不同，生存函数的构建也就不尽相同。因而，不同方法计算得到的生存资料的AUC也不尽相同。同时，生存函数ROC曲线的绘制也更加复杂。下面提供几种常用的基于R计算生存资料AUC的方法，并提供两种时间依赖的生存函数的AUC计算示例。但目前来说，还没有方法可以直接比较两个生存函数的AUC是否
R进行生存资料分析的相对优势体现在：1、能够更加方便快捷绘制Kaplan-Meier曲线，2、能够相对更加美观地绘制Kaplan-Meier曲线3、相对容易给出中位生存时间及其置信区间4、检测比例风险假设的方法更加灵活且完善5、易于构建时间依赖模型library(stats)library(survival)## Information of datadata(p
12 矩阵QR分解A为m×n矩阵可以进行QR分解，A=QR，其中：Q'Q＝I，在R中可以用函数qr()进行QR分解，例如：> A=matrix(1:16,4,4)> qr(A)$qr[,1] [,2] [,3] [,4][1,] -5.4772256 -12.7801930 -2.008316e+01 -2.738613e+01[2,] 0.3651484 -3.2659863 -
9矩阵的特征值与特征向量矩阵 A 的谱分解为 A=UΛU',其中 Λ 是由 A 的特征值组成的对角矩阵，U 的列为 A 的特征值对应的特征向量，在 R 中可以用函数 eigen()函数得到 U 和 Λ，> args(eigen)function (x, symmetric, only.values = FALSE, EISPACK = FALSE)其中：x 为矩阵，symmetric 项
5数与矩阵相乘A 为 m×n 矩阵，c>0，在 R 中求 cA 可用符号：“*”，例如：> c=2> c*A[,1] [,2] [,3] [,4][1,] 2 8 14 20[2,] 4 10 16 22[3,] 6 12 18 246 矩阵相乘A 为 m×n 矩阵，B 为 n×k 矩阵，在 R 中求 AB 可用符号：“％*％”，例如：> A=matrix(1:12,nrow=
最近整理了一份R中矩阵运算的笔记：创建一个向量在 R 中可以用函数 c()来创建一个向量，例如：> x=c(1,2,3,4)> x[1] 1 2 3 42 创建一个矩阵在 R 中可以用函数 matrix()来创建一个矩阵，应用该函数时需要输入必要的参数值。> args(matrix)function (data = NA, nrow = 1, ncol = 1, byrow =
看econometrics in R里面异方差检验用的就是bptest()那么white异方差检验有啥函数没啊？当然有！bptest() 也可以检验white test的，Applied Econometrics with R 这本书里面提到的就是用bptest(fit, ~x1 x2 I(x1*x1) I(x2*x2) I(x1*x2))bptest是white test的一个一次
关注
换一批
