>
作者：yunjinqi
类别：笔记
日期：2025-05-23 17:01:50 阅读：54 次 消耗积分：0 分
中实现高频交易系统时使用内存映射（Memory Mapping）可以带来显著的性能优化，但也需权衡其潜在缺陷
作者：yunjinqi
类别：笔记
日期：2025-05-23 10:41:00 阅读：40 次 消耗积分：0 分
的异同点总结相同点：回归方法：均用于建立自变量与因变量之间的关系模型。最小二乘基础
作者：yunjinqi
类别：笔记
日期：2025-05-22 18:43:36 阅读：57 次 消耗积分：0 分
局部加权多项式回归） 是一种非参数回归方法，它结合了多项式回归与局部加权思想，用于在数据的不同区域拟合不同的回归曲线
作者：yunjinqi
类别：笔记
日期：2025-05-22 15:52:42 阅读：52 次 消耗积分：0 分
M估计双平方法（M-Estimation Bisquare Method）是一种鲁棒回归技术，旨在通过动态调整数据点的权重来减少异常值对模型参数估计的影响。其核...
作者：yunjinqi
类别：笔记
日期：2025-05-22 15:00:59 阅读：48 次 消耗积分：0 分
Locally Weighted Regression（LWR，局部加权回归）是一种非参数回归方法，用于捕捉数据中的非线性关系。其核心思想是为每个预测点构建一个...
作者：yunjinqi
类别：笔记
日期：2025-05-20 13:01:07 阅读：137 次 消耗积分：0 分
分析方法。与参数回归（如线性回归）不同，它不需要预先设定因变量与自变量之间的具体数学关系（例如线性、二次函数等），而是通过数据本身的模式和结构来灵活拟合关系。核...
作者：yunjinqi
类别：笔记
日期：2025-05-18 16:53:14 阅读：88 次 消耗积分：0 分
机器学习中常用的两种防止模型过拟合的技术，它们通过在损失函数中添加对模型权重的惩罚项，限制模型的复杂度。以下是它们的详细对比和实际应用：一、核心定义1. L1正...
作者：yunjinqi
类别：笔记
日期：2025-05-18 16:00:08 阅读：79 次 消耗积分：0 分
分析方法。其核心目标是减少极端值对模型参数估计的影响，使回归结果更可靠。以下是系统性的详细讲解：一、为什么需要稳健回归？OLS的局限性• 对异常值敏感：普通最小...
作者：yunjinqi
类别：笔记
日期：2025-05-18 15:49:19 阅读：91 次 消耗积分：0 分
在回归分析中，异常值（Outlier）可能严重影响模型性能，尤其是普通最小二乘法
作者：yunjinqi
类别：笔记
日期：2025-05-18 14:44:48 阅读：73 次 消耗积分：0 分
使用稳健标准误（Robust Standard...
最新文章