發表文章

目前顯示的是有「分析方法」標籤的文章

AI數據分析新利器,MathAI助您洞悉數據趨勢

  AI數據分析新利器,MathAI助您洞悉數據趨勢 精準抓住短期趨勢,補足傳統迴歸分析 您是否曾經為數據分析而苦惱? 傳統的迴歸分析只能抓住長期趨勢,而對於短期趨勢的判斷則存在局限性。這時,AI數據分析的MathAI就可以幫到您。 MathAI是一種將曲線規律的數據,以多線段方式抓住曲線規律的方法。其中,AI在每次的數據運算中進行判斷是否時間序列資料是否產生最佳的趨勢。如果新加入的數據造成趨勢準確率下降,就表示新的數據是下一個趨勢的開始。 這種方法的優勢在於,它可以精準地抓住短期趨勢。因為趨勢非常精準,且非常有代表性,所以趨勢的變化程度就能代表這段時間內的數據變化。 相比於傳統迴歸分析,MathAI有以下優勢: 可以精準抓住短期趨勢 不受數據偏離迴歸線的影響 比使用乖離率更客觀 如果您想提高數據分析能力,掌握短期趨勢的判斷,那麼MathAI是您不容錯過的選擇。現在就來參加我們的AI數據分析培訓,掌握MathAI的使用方法,成為數據分析高手! 立即報名,搶先體驗MathAI的強大功能!

[掃雷]什麼是建模,有什麼注意事項

很多人都會講建模,但是為什麼要建模?這樣的目的需要確認的,特別是在人工智能或大數據分析時。那我簡單的說明一下。

[掃雷]分析法差之毫釐 - 你以為的線性真的正確嗎?

圖片
我們常用來尋找兩個變數的關聯方法有兩種 -- 相關係數或迴歸分析。這兩者的基礎都是線性!這是因為我們將線性視為最能表現趨勢方向的指標,所以在經濟學或是股市分析上常以直線來表述長期趨勢。 我們也以這條直線將數據區分出長期趨勢與短期波動。在股市分析上就是長期價值投資與短線操作。

大數據分析的突破點 - 模擬器認識機率分配

圖片
機率分配是統計學開始學習時的第二個重點。即使如此,我們所能認識的機率分配有限,可能限於課本所提,以及機率分配的特性無法全面摸透。所以這篇文章就是說明可以使用模擬器了解機率分配,也可以用模擬器建模檢測。 機率分配的起頭 當我們學習機率分配是在認識機率、事件、隨機變數、機率空間後,就會想要知道隨機變數與機率之間的關係。 但在這邊,我要說明的是隨機變數不是隨便將事件轉換成任意數字就可以,而是這些數字必須為有意義的數字,而且還要能匹配隨機特性,後續的數字運算也同樣要有意義。而不是我自己隨便將事件說是12345,實際上這12345形成的數字運算,根本沒有任何意義,就像問卷的尺度數字或是經濟學的效用值。 機率分配的意思與特性 機率分配就是表現隨機變數與對應機率的關係。這個關係可以用數學方程式表現。因此,開始了機率密度函數與累積機率密度函數特性,間斷型機率分配與連續型機率分配。常見的母體機率分配可以有45種[1],例如極端值的分配 -- U-quadratic分配和Arcsin分配,當然還有非對稱分配 - F分配,特定參數值下的Gamma分配等,也有找不到參數或參數很複雜的韋伯分配、柯西分配、一般常態分配(縮寫GND)等。 下面對於這些機率分配的特性,例如, 常態分配相加還是常態分配 常態分配相減還是常態分配 標準常態分配平方是卡方分配 標準常態分配相除是柯西分配 Gamma分配 卡方分配是Gamma分配((ν/2, 2)    v是自由度 指數分配(參數為λ)是Gamma分配(1, 1/λ)  if  X  ~ Gamma( k , θ ), then  {\displaystyle X^{q}}  for  {\displaystyle q>0}  follows a  generalized gamma distribution  with parameters  p  = 1/ q ,  d  =  k / q , and  {\displaystyle a=\theta ^{q}} f  X  ~ Gamma( k ,  θ ), then 1/ X  ~ I...