《表2 处理后的数据分布：基于PCA-BP神经网络综合模型预测股票价格》
提示：宽带有限、当前游客访问压缩模式
第一次主成分分析共选用了3个主成分，累计方差贡献是98.214%。进行因子分析后的因子载荷见表2:
| 图表编号 | XD00187198300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.11.25 |
| 作者 | 张如梦、张华美 |
| 绘制单位 | 新乡学院数学与统计学院、陕西国际商贸学院国际经济学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 主成分及其贡献率：基于PCA-BP神经网络的PM_(2.5)季节性预测方法研究》2020.09.01
- 《表1 数据集形式：基于LSTM神经网络的股票价格预测研究》2021.02.01
- 《表2 传动效率测试数据：基于PCA-BP神经网络综合模型预测股票价格》2020.11.25
- 《表2 实验股票数据：变结构时态神经网络模型在股票预测中的应用》2020.06.16
- 《表2 股价数据主要特征：数据多维处理LSTM股票价格预测模型》2020.08.01
- 《表1 原始股价数据：数据多维处理LSTM股票价格预测模型》2020.08.01
- 《表3 主成分贡献率表：基于GWO改进的PCA-BP神经网络煤层底板破坏深度预测模型》2020.02.25
- 《表1 原始数据：基于GWO改进的PCA-BP神经网络煤层底板破坏深度预测模型》2020.02.25
- 《表6 神经网络预测结果：基于PCA-BP原理的混凝土碳化深度预测》2019.12.31
- 《表4 预测结果对比：基于PCA-BP神经网络的概率积分法参数算法研究》2019.12.01
- 《表8 系数（改进）a：基于改进多元线性回归的股票价格预测模型》2019.08.15
- 《表5 解释的总方差：基于改进多元线性回归的股票价格预测模型》2019.08.15
- 《表6 成份矩阵a：基于改进多元线性回归的股票价格预测模型》2019.08.15
- 《表1 模型汇总b：基于改进多元线性回归的股票价格预测模型》2019.08.15
- 《表3 相关矩阵：基于改进多元线性回归的股票价格预测模型》2019.08.15
- 《表2 系数：基于改进多元线性回归的股票价格预测模型》2019.08.15
- 《表2 相关数据矩阵：基于灰色系统和神经网络的创业板股票价格预测研究》2019.04.12
- 《表4 指标预测值：基于灰色系统和神经网络的创业板股票价格预测研究》2019.04.12
- 《表3 系数表：基于灰色系统和神经网络的创业板股票价格预测研究》2019.04.12
- 《表2 复值BP神经网络对股票价格预测》2018.06.20