本节书摘来自华章计算机《应用时间序列分析：R软件陪同》一书中的第2章，第2.6节,作者：吴喜之，刘苗著， 更多章节内容可以访问云栖社区“华章计算机”公众号查看。
《应用时间序列分析：R软件陪同》——2.6 MA 模型
2017-07-03
1355
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
目录
相关文章
|
4天前
|
存储
数据可视化
|
24天前
|
存储
Serverless
|
23天前
|
算法
|
23天前
|
23天前
|
存储
R语言分解商业周期时间序列：线性滤波器、HP滤波器、Baxter滤波器、Beveridge Nelson分解等去趋势法
R语言分解商业周期时间序列：线性滤波器、HP滤波器、Baxter滤波器、Beveridge Nelson分解等去趋势法
23
0
0
|
24天前
|
1月前
|
机器学习/深度学习
算法
数据挖掘
JCR一区5.4分｜经典～非肿瘤机器学习筛选生物标志物+qPCR
本文介绍了一项使用机器学习算法识别间变性甲状腺癌（ATC）新型生物标志物和免疫浸润特征的研究。该研究发表在2023年9月的《Journal of Endocrinological Investigation》上，IF为5.4。通过对GEO数据库中的RNA测序数据进行分析，研究人员鉴定出425个差异表达基因，并利用LASSO和SVM-RFE算法确定了4个ATC特征基因（ADM、PXDN、MMP1和TFF3）。这些基因在诊断、药物敏感性和免疫微环境中具有潜在价值，可能成为ATC诊断和治疗的生物标志物。
27
0
0
|
12月前
|
机器学习/深度学习
传感器
人工智能
《应用时间序列分析：R软件陪同》——2.8 ARMA 模型
1481
0
0
《应用时间序列分析：R软件陪同》——2.9 ARIMA 模型
1181
0
0