c**t 发帖数: 9197 | | r*g 发帖数: 155 | | w**********y 发帖数: 1691 | 3 Sure! 而且一般越是高频的数据,可预测性反而越强.(当然noise也越大)
有一个常见误区:大家常说简单的model最好用,Linear Regression是最有用的
话虽然不错,但是统计的model属于入门简单(美国高中生不会做二项分解都会用SAS或者
SPSS做linear regression),但是里面却有大学问.ultra high dimension的情况下做
linear regression怎么做variable selection现在也是学术研究的热门话题:
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3092303/
http://scholar.google.com/scholar?hl=en&q=ultra+high+dimensiona | l*******3 发帖数: 186 | 4 同意,入门简单,做的精深难。time series models are very powerful, but it
also depends on how you use it appropriately.
【在 w**********y 的大作中提到】![](/moin_static193/solenoid/img/up.png) : Sure! 而且一般越是高频的数据,可预测性反而越强.(当然noise也越大) : 有一个常见误区:大家常说简单的model最好用,Linear Regression是最有用的 : 话虽然不错,但是统计的model属于入门简单(美国高中生不会做二项分解都会用SAS或者 : SPSS做linear regression),但是里面却有大学问.ultra high dimension的情况下做 : linear regression怎么做variable selection现在也是学术研究的热门话题: : http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3092303/ : http://scholar.google.com/scholar?hl=en&q=ultra+high+dimensiona
| L*****k 发帖数: 327 | 5 excellent post!
请教一下,varable selection for regression这方面做得好的是那些地方呢?
感觉不同的community都有在做,从statistics,econometrics,到machine learning
【在 w**********y 的大作中提到】![](/moin_static193/solenoid/img/up.png) : Sure! 而且一般越是高频的数据,可预测性反而越强.(当然noise也越大) : 有一个常见误区:大家常说简单的model最好用,Linear Regression是最有用的 : 话虽然不错,但是统计的model属于入门简单(美国高中生不会做二项分解都会用SAS或者 : SPSS做linear regression),但是里面却有大学问.ultra high dimension的情况下做 : linear regression怎么做variable selection现在也是学术研究的热门话题: : http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3092303/ : http://scholar.google.com/scholar?hl=en&q=ultra+high+dimensiona
|
|