预测类算法问题

❶ 常用的分类和预测算法

常用的分类方法有贝叶斯，逻辑回归，随机森林，预测算法有集成学习，神经网络

❷ 常用的分类和预测算法有哪些

常用的分类与预测算法 根据挖掘目标和数据形式可以建立分类与预测、聚类分析、关联规则、时序模式、偏差检测。

❸ 预测的基本问题和几种常用的统计预测方法

分享到： 收藏推荐 一、预测的基本问题这里介绍什么是预测、预测的种类、预测的原则和程序、预测的作用和条件等。(一)预测的概念和种类 所谓预测就是对某一不确定的或未知的事件做出比较肯定的推断。也可以说,预测就是把某一事件发生的不确定性极小化,并做出关于该事件发生、发展变化的设想。在多数情况下,这种设想属于未来性质。所以,预测是根据已知预测未知,根据过去和现在预测未来;根据客观的资料与条件,结合主观的经验与教训,运用比较科学的方法,推断、寻求事物发生、发展、变化的规律。 预测可以用于社会现象和自然现象的各个方面。把预测用于经济、医疗卫生、军事等方面,就形成为经济预测、医疗卫生预测、军事预测等等。以大量统计资料为依据,运用统计和数学方法,对事件的未来情况从数量上进行预测时,吟作统计预测。目前,统计预测在各种专业预测中已得到广泛地运用,起着重要的作用。由于预测科学兴起于经济领域,在这方而的内容比较丰富,经验也积果得较多,下面仅就这一领域讨论有关问题,读者不难推广到共它方面。 1.什么是经济预测 经济预测就是对未来的不确定的经济事件或事件的经济方面做出预测。

❹ 模型预测控制的方法

模型预测控制是一种基于模型的闭环优化控制策略，其算法的核心是：可预测未来的动态模型，在线反复优化计算并滚动实施的控制作用和模型误差的反馈校正。模型预测控制具有控制效果好、鲁棒性强等优点，可有效地克服过程的不确定性、非线性和并联性，并能方便的处理过程被控变量和操纵变量中的各种约束。从模型预测控制的基本原理出发，常见的有三种预测控制算法：
1)基于非参数模型的模型预测控制
代表性算法有模型算法(MAC)和动态矩阵控制(DMC)。这类算法分别采用脉冲响应模型和有限阶跃响应模型作为过程预测模型，无需考虑模型结构和阶次，可将过程时滞自然纳入模型中，尤其适合表示动态响应不规则的对象特性，适合处理开环稳定多变量过程约束问题的控制。
2)基于ARMA或CARIMA等输入输出参数化模型的预测控制算法。
这类算法有经典自适应控制发展而来，融合了自校正控制和预测控制的优点。其反馈校正通过模型的在线辨识和控制率的在线修正以自校正的方式实现，其中最具代表性的是广义预测算法，它可应用于时变时滞较难控制的对象，并对系统的时滞和阶次不确定有良好的鲁棒性，但对于多变量系统，算法实施较困难。
3)滚动时域控制。由LQ和LQG算法发展而来
对于状态空间模型，用有限时域二次性能指标再加终端约束的滚动时域控制算法来保证系统稳定性。它已拓展到跟踪控制和输出反馈控制。各类模型预测控制算法虽然在模型、控制和性能上存在许多差异，但其核心都是基于滚动时域原理，算法中包含了预测模型、滚动优化和反馈校正三个基本原理。

❺ 机器学习中的各种算法适用于哪些预测

1.决策树(Decision Trees)： 
决策树是一个决策支持工具，它使用树形图或决策模型以及序列可能性。包括各种偶然事件的后果、资源成本、功效。下图展示的是它的大概原理： 
  
  
从业务决策的角度来看，大部分情况下决策树是评估作出正确的决定的概率最不需要问是/否问题的办法。它能让你以一个结构化的和系统化的方式来处理这个问题，然后得出一个合乎逻辑的结论。 
2.朴素贝叶斯分类(Naive Bayesian classification)： 
朴素贝叶斯分类是一种十分简单的分类算法，叫它朴素贝叶斯分类是因为这种方法的思想真的很朴素，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。 
  
  
它的现实使用例子有： 
将一封电子邮件标记(或者不标记)为垃圾邮件 
将一篇新的文章归类到科技、政治或者运动 
检查一段文本表达的是积极情绪还是消极情绪 
脸部识别软件 
3.最小二乘法(Ordinary Least Squares Regression)： 
如果你懂统计学的话，你可能以前听说过线性回归。最小二乘法是一种计算线性回归的方法。你可以把线性回归当做在一系列的点中画一条合适的直线的任务。有很多种方法可以实现这个，“最小二乘法”是这样做的 —你画一条线，然后为每个数据点测量点与线之间的垂直距离，并将这些全部相加，最终得到的拟合线将在这个相加的总距离上尽

❻ 有哪些比较好的故障预测算法

很多数据挖掘或者是机器学习中的算法都能完成这个任务。 最简单的最小二乘法，复杂一点的时间序列分析的方法，简单的比如Auto regression (AR)等等

❼ 线性预测问题（一），800分问题

预测这种单一变量线性问题，最简单的方法就是线性回归分析。

数学模型:Y=aX+b

确定a，b参数方法：最小二乘法

针对1，2问的具体步骤：

1解方程：确定a，b参数

a=[∑XiYi-(∑Xi∑Yi)/n]/[∑Xi2-(∑Xi)2/n)]

b=(∑Yi)/n-a*(∑Xi)/n

（n代表选择的时刻数量，Xi代表时刻，Yi代表Xi时刻的信号量，公式不清楚可可参见图片）

2令X=X(tn+1),代入模型，求解Y(tn+1)

针对3，4问：

在选择Xi时，需要选误差最小的方案，可以参考关系数“R”，则根据公式

R=[∑XiYi-n(∑Xi/n)(∑Yi/n)]/SQR{[∑Xi2-n(∑Xi/n)2][∑Yi2-n(∑Yi/n)2]}

当R越接近1越好。（只需早3到4个时刻，你编程的话循环就可以了，效率应该不算很差，也可以用更好的算法。）

❽ 根据已知数据寻找一个算法进行预测

用数值分析方法！牛顿插值法，拉格朗日插值法等等都可以。

❾ 基于深度学习算法的预测问题

这个真不好说了。如果数据不是很线性的话，估计得用人工智能算法。
可以看看 KNN或者ANN算法，个人推崇ANN算法，实际用过，如果采样数据做的好的话，结果还是比较理想的。

❿ VC编程，关于预测的算法

摘要
排队系统是一个应用很广泛的课题。它可以应用于各个部门，比如：银行储蓄柜的排队管理，医院门诊挂号，电信营业厅排队管理，财政营业厅，税务报税大厅，工商注册，海关业务大厅，邮政业务，民航、铁路、车站售票处等任何窗口服务需要排队等候的场所。在这些场所，使用排队管理系统的意义重大。首先，它可以提升服务机构的形象，提高服务质量；其次，减少客户的等待时间，杜绝大厅的纷乱现象；最后，它也为部门有关决策提供依据，增加对工作人员的考核依据。此外利用排队系统的原理结合预测算法和大量历史数据来设计系统，用它来预测顾客的到来和顾客的订单。利用本系统可以科学的预测将来的某一天中顾客的到达情况和他所要的订单，为公司生产多少产品提供了依据。除了以上的基本功能外，本系统还提供了对历史数据和库存基本操作，更方便了用户的使用。希望对朋友们有所启发，也希望同朋友们一起完善它，使之更实用。
【关键词】 排队系统 预测 数据库操作 历史数据 随机数
引言
离散事件系统中,由于顾客到来时间间隔与服务台服务时间都是随机的,所以在系统中会产生顾客排队现象,排队是该类系统的特征. 离散系统仿真技术是研究该类系统的有效方法,在计算机上模拟逐个顾客的来到、排队、服务及离开,统计得到整个系统的运行参数,即根据顾客到来及服务台结构、服务时间的分与参数得到了顾客的等待时间与服务台效率,从而有效地分析各类排队系统的性能。本系统的重点放在顾客的到来，顾客的需求量，即何时到来，订单是多少。
当然这一切都要根据数据库中的历史数据的规律得到。

我利用毕业设计的机会不懈努力终于开发完成了这套“排队系统的仿真与应用”。此系统是运用Microsoft公司开发的Visual C++ 6.0的环境下开发的。整个系统主要通过程序对以前每天顾客到来的情况、订单的情况以及仓库中各原材料库存量来预测将来某一天的市场对产品需求量和库中原材料的供求情况，并输出变化曲线和预测值。再根据需求量对原材料进行出入库。

整个系统从设计到实现，先后经历了问题分析、算法设计、数据库设计、数据存取、结果输出等过程，前后历时两个半月。期间，我充分运用大学期间所学的知识方法，对每一部分都进行了精心的分析设计，力求完美。如在程序设计阶段，我就运用了软件工程中关于模块化设计的方法和原则，尽量使每个功能模块做到高内聚、低耦合，并控制扇出个数。在程序的测试过程中，又再次运用黑盒、白盒等测试方法并且把测试用例分为有效等价类与无效等价类分别进行测试。数据的存储则是运用数据结构中的结构体数组来实现的。

“排队系统的仿真与应用”的系统是我综合运用数据存储、数据库操作、图形输出、Visual C++ MFC类库以及预测算法等方面的知识所开发出来的具有研究价值的软件系统。