㈠ 離群點檢測前先做數據標准化和不做數據標准化是否有區別,那種更合理
有區別，做數據標准化可以有效減少異常值(outlier)的影響，但是不能解決"dominant feature"的問題(也就是說，異常檢測或者其他機器學習演算法的最終結果主要由少數的幾個domninant feature控制，有點壟斷那種意思。)
㈡ 怎麼分析股票數據
所需步驟：
1． 了解該公司。多花時間，弄清楚這間公司的經營狀況。以下是一些獲得資料的途徑：
* 公司網站
* 財經網站和股票經紀提供的公司年度報告
* 圖書館
* 新聞報道——有關技術革新和其它方面的發展情況
2． 美好的前景。你是否認同這家公司日後會有上佳的表現？
3． 發展潛力、無形資產、實物資產和生產能力。這時，你必須象一個老闆一樣看待這些問題。該公司在這些方面表現如何？
* 發展潛力——新的產品、拓展計劃、利潤增長點？
* 無形資產——知識版權、專利、知名品牌？
* 實物資產——有價值的房地產、存貨和設備？
* 生產能力——能否應用先進技術提高生產效率？
4． 比較。與競爭對手相比，該公司的經營策略、市場份額如何？
5． 財務狀況。在報紙的金融版或者財經網站可以找到有關的信息。比較該公司和競爭對手的財務比率：
* 資產的賬面價值
* 市盈率
* 凈資產收益率
* 銷售增長率
6． 觀察股價走勢圖。公司的股價起伏不定還是穩步上揚？這是判斷短線風險的工具。
7． 專業的分析。F10為個股資料，裡面的業內點評清楚地評價了公司的行業地位及發展前景，可以作為參考，還有淘股吧論壇，裡面不乏有高人分析個股的技術面與題材面。
技巧提示：
1、 潛在的行業龍頭，要重點關注。比如中國南車，剛上市就跌到了3元，作為動車組的龍頭股，肯定是低估了，中線持有必賺；
2、 低價是永恆的題材。這里所說的低價，是絕對低價，歷史上從來沒有大幅炒作過的品種，一旦有熱門的題材引發主升，往往成為黑馬。
注意事項：
每個投資者都經歷過股票套牢的滋味。這時應該保持冷靜，分析公司的基本面，確定該股票是否還值得長期持有。
㈢ 離群點數據是真實數據嗎
離群點數據是真實數據。離群點指的是不屬於某個總體的數據點，它是一種與其他值相差甚遠的異常觀察，是一種與其他結構良好的數據不同的觀察值。離群點的檢測是數據挖掘的核心問題之一。
㈣ 怎麼做實時的股票資料庫
如果主站提供有相關的介面的話,可以調主站的介面.如果主站不提供相關介面.那就不不斷抓取.獲取最新的信息了.
㈤ 股票實時盯盤需要觀察哪些數據，怎麼看
看成交明細內的成交筆數，但莊家也會作假，建議還是分析一整天的成交量來分析比較好，我看盤只看成交量，成交量哪怕他左手倒右手那也是真金白銀，其他指標都是馬後炮。
㈥ 離群值檢測與處理屬於調查數據的統計預處理嗎
您好，我來回答一下這個問題。
離群值檢測與處理屬於調查數據的統計預處理！
知識延伸：
離群值處理
因為過大或過小的數據可能會影響到分析結果，尤其是在做回歸的時候，我們需要對那些離群值進行處理。實際上離群值和極值是有區別的，因為極值不代表異常，但實際處理中這兩個所用方法差不多，所以這里也不強行區分了。
處理方法是調整因子值中的離群值至上下限（Winsorzation處理），其中上下限由離群值判斷的標准給出，從而減小離群值的影響力。
㈦ 數據挖掘之離群點檢測的方法
離群點檢測是數據挖掘中重要的一部分，它的任務是發現與大部分其他對象顯著不同的對象。大部分數據挖掘方法都將這種差異信息視為雜訊而丟棄，然而在一些應用中，罕見的數據可能蘊含著更大的研究價值。
離群點的檢測已經被廣泛應用於電信和信用卡的詐騙檢測、貸款審批、電子商務、網路入侵和天氣預報等領域。
離群點的主要成因有：數據來源於不同的類、自然變異、數據測量和手機誤差。
從數據范圍來看，分為全局離群點和局部離群點，整體來看，某些對象沒有離群特徵，但是從局部來看，卻顯示了一定的離群性。
從數據類型來看，分為數值型離群點和分類型離群點，這是以數據集的屬性類型進行劃分的。
從屬性的個數來看，分為一維離群點和多維離群點，一個對象可能有一個或多個屬性。
大部分的基於統計的離群點檢測方法是構建一個概率分布模型，並計算對象符合該模型的概率，把具有低概率的對象視為離群點。基於統計模型的離群點檢測方法的前提是必須知道數據集服從什麼分布；對於高維數據，檢驗效果可能很差。
通常可以在數據對象之間定義鄰近性度量，把原理大部分點的對象視為離群點。二位或三維的數據可以做散點圖觀察；大數據集不適用；對參數選擇敏感；具有全局閾值，不能處理具有不同密度區域的數據集
考慮數據集可能存在不同密度區域這一事實，從基於密度的觀點分析，離群點是在低密度區域中的對象。一個對象的離群點得分是該對象周圍密度的逆。給出了對象是離群點的定量度量，並且即使數據具有不同的區域也能夠很好的處理；大數據集不適用；參數選擇是困難的。
一種利用聚類檢測離群點的方法是丟棄遠離其他簇的小簇；另一種更系統的方法，首先聚類所有帝鄉，然後評估對象屬於簇的程度。基於聚類技術來發現離群點可能是高度有效的；聚類演算法產生的簇的質量對該演算法產生的離群點的質量影響非常大。
基於統計模型的離群點檢測方法需要滿足統計學原理，如果分布一直，則檢驗可能非常有效。基於鄰近度的離群點檢測方法比統計學方法更一般、更容易使用，因為確定數據集有意義的鄰近度量比確定他的統計分布更容易。基於密度的離群點檢測與基於鄰近度的離群點檢測密切相關，因為密度常用鄰近度定義：一種是定義密度為到K個最鄰近的平均距離的倒數，如果該距離小，則密度高；另一種是使用DBSCAN聚類演算法，一個對象周圍的密度等於該對象指定距離d內對象的個數。