基于Stacking集成学习的Lasso-GBDT组合房价预测模型研究

房地产行业是我国国民经济的重要组成部分，关乎国计民生。房价预测的准确性与稳定性，对政府、开发商和广大市民均具有重要的现实意义。本文利用网络爬虫方法获取银川市2015年4月至2021年3月安居客房产信息服务平台样本住宅价格数据，分别利用Lasso模型和梯度提升决策树（GBDT）模型对银川市房价进行预测；综合两种预测方法的优点，建构基于Stacking集成学习的Lasso-GBDT组合回归预测模型。通过实例预测结果比较，组合预测模型预测精度均在0.98以上，能有效避免病态数据对拟合程度的影响，较单项预测模型有更高的准确性和稳定性。     

浅析数据挖掘分类方法中的决策树算法

分类是数据挖掘、机器学习和模式识别中一个重要的研究领域。决策树分类是一种重要的数据分类技术,本文通过对对各种决策树分类算法的基本思想进行阐述,并分析比较了各种算法的主要特性,为使用者选择算法或研究者改进算法提供借鉴。     

一种加权聚类划分决策树算法

针对斜划分决策树算法普遍存在时间效率低、部分算法仅能应用于二分类问题,提出了一种基于加权距离的聚类决策树算法。通过Relief-F算法为预测属性计算权重,并将权重用于树结点中数据的聚类过程,使用分簇结果对结点进行多路划分,得到可直接用于多分类问题的决策树。理论分析和实验结果表明,该算法与经典轴平行决策树相比,拥有更好的泛化能力以及相近的算法时间复杂度,与大部分斜决策树相比,在付出更少计算代价的前提下,获得了近似的正确率以及模型简洁度。     

环渤海动力煤价格指数预测研究

环渤海动力煤价格指数素有"煤炭价格风向标"之称。本文运用EMD-ARMA组合预测模型对环渤海动力煤价格指数进行预测,通过与ARIMA、神经网络和灰色预测三种方法预测结果的比较,得出EMD-ARMA组合预测模型预测精度更高,更适合预测环渤海动力煤价格指数。最后基于研究结论,提出了促进我国煤炭行业稳定发展的对策建议。     

基于两阶段优化算法的客户信用评估问题研究

在信用评估问题的研究中,决策树生成的规则便于决策者理解和应用。本文采用GMDH输入输出模型先挑选中对结果影响较重要的属性,然后再用决策树进行分类。通过研究,取得了良好的分类效果。     

金融时间序列数据预测方法探析

本文提出了一种改进的金融时间序列数据预测方法,该方法首先对采集到的数据进行预处理,然后利用决策树来对金融时间序列进行特征抽取,并建立基于支持向量机的时间序列预测模型,最后对时间序列数据进行预测并输出预测结果。仿真结果表明,本文提出的方法可以有效地降低预测模型复杂度,同时提高预测能力和泛化性能。     

基于CART决策树的大学生游戏消费行为研究——以某高校大学生为例

针对大学生游戏消费行为,提出了基于CART决策树的预测方法,此方法具有较高的的准确率和良好的自学能力。利用CART决策树可以对影响游戏消费行为的复杂因素进行回归分类及规则提取,进而从众多的数据中得出一致性规律,经过CART决策树模型的构建,结果表明,CART决策树方法良好地预测了影响大学生消费行为的因素。     

基于几类机器学习模型的房价预测分析

选取1998年～2019年全国35个大中城市房价及其影响因素的相关数据,分别构建基于K近邻法、决策树、随机森林和支持向量机的房价预测模型。通过K折交叉验证和GridSearch对各模型的参数进行寻优操作,从而得到各类模型的最优状态,以期为房价精准预测提供新参考,并为政府的宏观调控提供新思路。结果表明,从拟合度（R2）来看,最优参数组合（测试集）中K近邻法>随机森林>支持向量机>决策树。但依据理论,随机森林应是这4类模型中的最优模型。     

决策树在健身课程重购意愿研究中的应用

决策树是使用最为广泛的分类预测算法之一,它能探究并直观展现多维数据的内在规律.本文采用C5.0决策树构建健身课程重购意愿影响因素模型,发现5个关键因素按重要性从高到低排序依次为"健身消费意愿""课程时间自主性""课程预约便利性""每周健身次数"和"每次健身时长",模型具有较好的准确性(96％)和预测泛化能力(82％).     

我国居民保险购买行为的决策树模型分析

近几年许多行业都步入大数据时代,但数据挖掘技术在我国保险领域的应用相对不多,并且我国保险公司也要考虑通过改变传统的经营方法来提升业绩,因此加大对数据的利用力度,过渡到数字化营销模式对保险公司来说十分关键。主要研究决策树算法在保险公司客户识别方面的应用,根据加入误分代价的决策树模型建立的分类规则,找出了影响我国居民是否购买保险产品的主要因素。     

基于灰色预测模型的山东省公路货运量预测分析

文章论述了灰色预测模型在公路货运量预测中的应用技术、方法与程序。该方法利用了累加生成手段和微分方程描述的灰色模型,与目前常规货运量预测理论和模型相比,可有效处理小样本、贫信息的不确定系统,并在一定预测时段内具有良好的预测精度和实用性。应用灰色系统中的GM(1,1)模型对1999-2010年山东省公路货运量进行分析和研究,通过运行预测模型并与原历史数据进行比较,确认预测模型准确度较高;最后以此预测模型对山东省2012—2017年的公路货运量进行了预测。     

农产品期货持仓量对股市收益率的预测能力分析

本文通过使用基于工具变量法的样本内预测及基于DM检验的样本外预测以探究我国农产品期货持仓量对股市收益率的预测能力。研究结果显示，农产品期货持仓量对国内股市收益率具有一定的预测能力：基于工具变量法的样本内预测得到了边际显著的结果，而在样本外预测中，使用DM检验得到了在100次预测当中，有60次添加农产品期货持仓量变化率的预测模型强于不添加该变量的预测模型的结果。     

基于二次插值组合灰色预测模型的房价预测

房价问题涉及多方群体的利益,因此对房价预测具有一定的现实意义和理论研究价值。预测模型的核心问题是预测精确度,本文分别从利用二次lagrange插值法得到新的背景值,通过残差预测调整误差,进行多次等维递推以及组合灰色模型等多个方面对灰色模型进行了改进,使精确度得到了提高。并以保定市为实例,验证了该房价预测模型的高精确度和实用性。     

决策树C4.5算法在银行信贷业务工作中的应用研究

在银行的信贷业务中,银行贷款员需要分析数据,要预测哪些贷款申请者是安全的,银行是否有风险。对于这类问题,文中利用数据挖掘技术中决策树C4.5算法,以一个具体的案例详细讲解了C4.5算法的原理及其实现算法,通过分析以往客户贷款的信息,建立预测模型和模型解释,并通过提取模型中的规则对银行进行信贷业务时可以预测客户是否是安全的,为降低银行信贷风险起到了一定的辅助作用。     

基于粗糙集的决策树旅游景点信用评估模型的设计与实现

旅游景点信用评估是一种典型的分类问题,本文概述了粗糙集和决策树的理论,基于这两种理论,提出了一个基于数据挖掘粗糙集理论与决策树分类技术相结合的信用评估方法来建立旅行景点的信用评估模型,利用粗糙集的知识约简的概念,对样本数据进行预处理,去除冗余属性对分类模型的影响,然后用决策树方法建立分类模型.最后通过Pawlak重要度的属性约简算法和ID3决策树算法实现了该模型.     

安徽旅游业发展分析及对策

本文采用实证研究和比较研究相结合的研究方法,对安徽旅游业的发展做出了技术经济分析。在采用灰色预测模型对安徽旅游业的发展趋势做了有意义的预测基础上,进一步对安徽省旅游业的发展策略提出了一系列建议。     

数据挖掘算法在银行CRM中的研究与应用

针对银行CRM中的海量客户历史数据问题，本文采用决策树算法和BP神经网络算法，选取部分客户业务数据分别进行分类预测实验，实验结果表明利用上述算法可以较好地解决银行中时客户分类预测的需求。     

灰色预测模型在物流预测中的应用研究——以四川省为例

物流产业作为许多国家国民经济的重要组成部分和工业化进程中最为经济的服务模式,正在全球范围内迅速发展。本文根据物流信息的不确定性和复杂性等特点,利用灰色预测模型对四川物流需求进行量化研究,为四川物流产业发展政策及物流基础设施规划、设计等提供决策依据。一、灰色预测方法1.灰色系统理论灰色系统是指既含有已知信息又含有未知的或非确知信息的系统。灰色系统理论提供了在贫信息情况下解决系统问题的新途径。当寻求不到系统的概率特性时,灰色模型显现出突出的优越性。目前灰色预测模型在国民经济预测中得到了一定程度的应用,实践…     

基于手机信令的城市道路交通状态实时预测

为准确、实时预测道路交通状态，通过分析影响交通的因素，利用决策树算法对速度和环境因素等数据进行建模，确定交通拥堵发生的规则，在此基础上结合实时的移动用户和环境因素数据对交通状态进行预测。以中国河北保定城区为例进行实验，验证了该方法的有效性。同时，研究发现，基于决策树算法进行道路交通状态预测的方法具有较好的扩展性。     

遗传算法在建立预测预报模型中的应用研究

预测预报是人们对客观事物发展变化的一种认识与估计。对某个对象系统选择哪一种方法来建立预测预报模型,关键在于用此方法建立的预测模型的计算值与实际值的拟合程度。近几年发展起来的遗传算法(GA,GeneticAlgorithm)是借鉴生物遗传机制的一种随机化搜索算法,其主要特点是群体搜索和群体中的个体之间的信息交换。遗传算法尤其适用于处理传统方法难以解决的复杂的和非线性的问题,己在许多领域有广泛的应用,它将成为智能计算的主要技术之一。文章以某企业各年度资金实际需要量动态数列为例,探讨了基于遗传算法的时序预测模型的建模方法及预测精度的有效性。