信息流加權

1、用先進先出法和加權平均法怎麼計算

先進先出法
發出成本：
7月10日發出甲材料700千克，其中500千克為期初結存的，單價5元，200千克為7月2日購進的，單價4.8元，即
500*5+200*4.8=3460（元）
7月2日購進的還剩餘400千克

7月24日發出甲材料480千克，其中400千克為7月2日購進的，單價4.8元，80千克為7月12日購進，單價4.9元，即
400*4.8+80*4.9=2312（元）
此時還剩餘7月12日購進的820千克

期末結余成本即7月12日購進的820千克，單價4.9元
820*4.9=4018（元）

加權平均法
單價：（500*5+600*4.8+900*4.9）/（500+600+900）=4.9（元）
發出成本：（700+480）*4.9=5782（元）
期末結余成本：820*4.9=4018（元）

2、加權和不加權指數有分別是什麼意思

主要是按照不同的計算方法。簡單平均和加權平均。具體的說就是不加權的指數只是把指數股的股價求和在除以總個數。而加權的要計算出每個個股的股價誠意流通股數，就是每個個股的流通市值。求和。在除以指數股的流通總市值。

3、京東加權是什麼意思

京東加權就是提升流量，被購買者看到的幾率更大。

京東商家加權因素：

1、官方說短標題權重會比較高，所以切記不能關鍵詞堆砌。

2、京東商品的每個SKU可以上傳6張圖片，符合規則的主圖越多，也有一定加權。

3、評價，曬單，京東也是有銷量的，可以在移動端查看到，評價量很重要，評價越多，累計權重值越高，另外就是曬單。

(3)信息流加權擴展資料

京東（股票代碼：JD），中國自營式電商企業，創始人劉強東擔任京東集團董事局主席兼首席執行官 。旗下設有京東商城、京東金融、拍拍網、京東智能、O2O及海外事業部等。2013年正式獲得虛擬運營商牌照。2014年5月在美國納斯達克證券交易所正式掛牌上市。 2016年6月與沃爾瑪達成深度戰略合作，1號店並入京東。

2014年5月，京東集團在美國納斯達克證券交易所正式掛牌上市。2015年7月，京東憑借高成長性入選納斯達克100指數 和納斯達克100平均加權指數 。

2017年1月4日，中國銀聯宣布京東金融旗下支付公司正式成為銀聯收單成員機構。2017年4月25日，京東集團宣布正式組建京東物流子集團。2017年8月3日，2017年「中國互聯網企業100強」榜單發布，京東排名第四位。

2018年3月15日，京東內部公告成立了「客戶卓越體驗部」，該部門將整體負責京東集團層面客戶體驗項目的推進。京東集團副總裁余睿出任該部門負責人。2018年《財富》世界500強排行榜第181名。2018年7月24日，京東增資安聯財險中國的方案獲得了銀保監會的批准。 9月4日，京東集團與如意控股集團簽署戰略合作協議。

參考資料：京東—京東加權和降權的重要因素

4、期貨if,ic.lh.十債加權什麼意思

IF 滬深300指數期貨
IH 上證50股指期貨
IC 中證500股指期貨

國債加權：這個就是軟體方將國債的幾個合約根據交易量大小，對不同的價格進行加權後計算出一個價格，方便投資者參考的。

5、淘寶流量加權怎麼個意思

就是有人搜索關鍵字進入你的寶貝頁中，並收藏/拍下/購買...... 然後這個關鍵字就會加權重，別人搜索同樣的關鍵字的時候就會提前展示。比如有人搜索「韓版 棉馬甲」這個詞進入你的店鋪並且購買了，你的這個寶貝的有關「韓版 棉馬甲」關鍵字就會被增加權重。
具體增加都少收藏或者購買增加的比例是多少淘寶沒有公開也不可能公開，收藏的比重現在好像降低了雖知道呢，淘寶的這些規則一直在變化。
順便說一下淘寶現在一直不承認有隱形降權這個說法，也許它根本不存在，如果你的排名降低了那也許是你的權重不行。而不是所謂的降權。

6、寶貝有物流信息會增加搜索權重嗎

不會的。權重與這個無關

7、如何設定指標權重

考核指標權重的分配，大都是憑人為經驗判定，但也不能隨意拍腦袋，通常也得遵循一般的規律和原則：
1、一般一個崗位的考核指標有5~8個，而每一指標的權重一般設定在5~30%之間，不能太高，也不能太低，如果某個指標的權重太高，可能會使員工只關注高權重指標而忽略其它，而如果權重過低，則引不起他的足夠重視而放棄這個指標，這個指標就沒有意義了。
2、越是高層的崗位，他所承擔的財務性經營指標和業績指標的權重就越大；越是低層的崗位，所承擔的流程類指標的權重就越小，而工作結果類指標的權重越大。
3、對於多數崗位來說，根據指標「定量為主，定性為輔，先定量後定性」的制訂原則，一般優先設定定量類指標權重，而且定量類指標總權重要大於定性類指標權重。
4、根據20/80法則，通常最重要的指標往往只有那麼兩三個，如果有1個，那麼其權重一般要超60%；如果有2個，那麼一般每個指標權重都在30%以上；如果有3個，那麼每個指標權重一般在20%以上。
5、為了便於計算和比較，指標權重一般都為5%的倍數，最小為5%，太小就無意義了。設立指標權重的方法有「簡單排序編碼法（人為賦編碼值，過於簡單主觀）、倍數環比法（需要有
歷史數據的支撐）、優序對比法（比較實用）、層次分析法（太過復雜）」等，根據我們的實操經驗，我們用得最多的是採用德爾菲法和兩兩對比法結合的方式來確定指標權重。具體操作時我們會請該崗位的任職者、上下游同事代表、直屬上司、部門負責人、HR和公司績效委員會成員代表組成專家組，按如下步驟來進行：
第一步，先對指標的重要性進行兩兩比較，排序，得出票數最高的指標排序組合方式即為指標的重要程度最終次序。重要程度越高，排在越前面，權重相應就越大，反之亦然。
第二步，根據指標權重的設置原則，由專家組成員對各指標所佔權重進行設定，然後由HR進行
匯總平均並將該結果反饋給各「專家」，然後，專家根據這一反饋結果，對各自設定的指標權重進行調整，最後由HR負責匯總平均（取整數），即為最終的指標權重。這其中，HR會盡量收集更多的歷史數據和組織戰略目標要求供「專家」借鑒參考，並在評定前對專家進行「權重設置的普遍規律和原則」的相關培訓。
因此，即使是人為憑經驗確定指標權重，也要有所根據和規律，由跟被考核崗位密切相關的多人進行綜合評議決定，而不是交給一個人隨意拍腦袋。

8、什麼叫加權漲幅

加權漲幅：兩只股票的加權平均漲幅，是指在股票除權除息後，該只股票交易市價高於除權(除息)基準價的百分比。

在熱門板塊中，按流通盤加權的漲幅平均值。熱門板塊中的權漲幅，是指在該板塊內的股票按各自在指數中的權重計算得來的。也就是按流通盤加權的漲幅平均值，而權漲幅與漲幅的正負有可能一樣，有可能不一樣，關鍵在於權重的大和其他權重小的正負幅度差別大不大。

包括宏觀經濟運行態勢和上市公司基本情況。上市公司的基本麵包括財務狀況、盈利狀況、市場佔有率、經營管理體制、人才構成等各個方面。

政策面：指國家針對證券市場的具體政策，例如股市擴容政策、交易規則、交易成本規定等。市場面：指市場供求狀況、市場品種結構以及投資者結構等因素。市場面的情況也與上市公司的經營業績好壞有關。

(8)信息流加權擴展資料：

價格加權指數一旦開始運行，那麼它的分母就必須不斷地進行調整以反映股票拆細和樣本的變化。當股票拆細之後，分母必須向下調整以維持指數在拆細前後的連續性和可比性。因為股票拆細之後，價格變小，要想維持指數不變就必須對分母作相應的調整。

可是，分母的不斷向下調整帶來了這樣一個問題，就是使指數有偏低的傾向，因為快速成長的公司往往比成長慢的公司傾向於拆細。如此一來，大的成功的公司由於不斷地分拆股票而導致其股價不斷下降，進而導致其在指數中的影響不斷下降。

9、怎麼計算加權平均數

加權平均數是一系列數，N個數據求得

10、數據挖掘中的列聯表分析之前為什麼要先加權？

數據倉庫，資料庫或者其它信息庫中隱藏著許多可以為商業、科研等活動的決策提供所需要的知識。分類與預測是兩種數據分析形式，它們可以用來抽取能夠描述重要數據集合或預測未來數據趨勢的模型。分類方法（Classification）用於預測數據對象的離散類別（Categorical Label）；預測方法（Prediction ）用於預測數據對象的連續取值。

分類技術在很多領域都有應用，例如可以通過客戶分類構造一個分類模型來對銀行貸款進行風險評估；當前的市場營銷中很重要的一個特點是強調客戶細分。客戶類別分析的功能也在於此，採用數據挖掘中的分類技術，可以將客戶分成不同的類別，比如呼叫中心設計時可以分為：呼叫頻繁的客戶、偶然大量呼叫的客戶、穩定呼叫的客戶、其他，幫助呼叫中心尋找出這些不同種類客戶之間的特徵，這樣的分類模型可以讓用戶了解不同行為類別客戶的分布特徵；其他分類應用如文獻檢索和搜索引擎中的自動文本分類技術；安全領域有基於分類技術的入侵檢測等等。機器學習、專家系統、統計學和神經網路等領域的研究人員已經提出了許多具體的分類預測方法。下面對分類流程作個簡要描述：

訓練：訓練集——>特徵選取——>訓練——>分類器

分類：新樣本——>特徵選取——>分類——>判決

最初的數據挖掘分類應用大多都是在這些方法及基於內存基礎上所構造的演算法。目前數據挖掘方法都要求具有基於外存以處理大規模數據集合能力且具有可擴展能力。下面對幾種主要的分類方法做個簡要介紹：

（1）決策樹

決策樹歸納是經典的分類演算法。它採用自頂向下遞歸的各個擊破方式構造決策樹。樹的每一個結點上使用信息增益度量選擇測試屬性。可以從生成的決策樹中提取規則。

(2) KNN法(K-Nearest Neighbor)

KNN法即K最近鄰法，最初由Cover和Hart於1968年提出的，是一個理論上比較成熟的方法。該方法的思路非常簡單直觀：如果一個樣本在特徵空間中的k個最相似(即特徵空間中最鄰近)的樣本中的大多數屬於某一個類別，則該樣本也屬於這個類別。該方法在定類決策上只依據最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。

KNN方法雖然從原理上也依賴於極限定理，但在類別決策時，只與極少量的相鄰樣本有關。因此，採用這種方法可以較好地避免樣本的不平衡問題。另外，由於KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對於類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。

該方法的不足之處是計算量較大，因為對每一個待分類的文本都要計算它到全體已知樣本的距離，才能求得它的K個最近鄰點。目前常用的解決方法是事先對已知樣本點進行剪輯，事先去除對分類作用不大的樣本。另外還有一種Reverse KNN法，能降低KNN演算法的計算復雜度，提高分類的效率。

該演算法比較適用於樣本容量比較大的類域的自動分類，而那些樣本容量較小的類域採用這種演算法比較容易產生誤分。

(3) SVM法

SVM法即支持向量機(Support Vector Machine)法，由Vapnik等人於1995年提出，具有相對優良的性能指標。該方法是建立在統計學習理論基礎上的機器學習方法。通過學習演算法，SVM可以自動尋找出那些對分類有較好區分能力的支持向量，由此構造出的分類器可以最大化類與類的間隔，因而有較好的適應能力和較高的分准率。該方法只需要由各類域的邊界樣本的類別來決定最後的分類結果。

支持向量機演算法的目的在於尋找一個超平面H(d),該超平面可以將訓練集中的數據分開，且與類域邊界的沿垂直於該超平面方向的距離最大，故SVM法亦被稱為最大邊緣(maximum margin)演算法。待分樣本集中的大部分樣本不是支持向量，移去或者減少這些樣本對分類結果沒有影響，SVM法對小樣本情況下的自動分類有著較好的分類結果。

(4) VSM法

VSM法即向量空間模型(Vector Space Model)法，由Salton等人於60年代末提出。這是最早也是最出名的信息檢索方面的數學模型。其基本思想是將文檔表示為加權的特徵向量：D=D(T1，W1；T2，W2；…；Tn，Wn)，然後通過計算文本相似度的方法來確定待分樣本的類別。當文本被表示為空間向量模型的時候，文本的相似度就可以藉助特徵向量之間的內積來表示。

在實際應用中，VSM法一般事先依據語料庫中的訓練樣本和分類體系建立類別向量空間。當需要對一篇待分樣本進行分類的時候，只需要計算待分樣本和每一個類別向量的相似度即內積，然後選取相似度最大的類別作為該待分樣本所對應的類別。

由於VSM法中需要事先計算類別的空間向量，而該空間向量的建立又很大程度的依賴於該類別向量中所包含的特徵項。根據研究發現，類別中所包含的非零特徵項越多，其包含的每個特徵項對於類別的表達能力越弱。因此，VSM法相對其他分類方法而言，更適合於專業文獻的分類。

(5) Bayes法

Bayes法是一種在已知先驗概率與類條件概率的情況下的模式分類方法，待分樣本的分類結果取決於各類域中樣本的全體。

設訓練樣本集分為M類，記為C=｛c1，…，ci，…cM}，每類的先驗概率為P(ci)，i=1，2，…，M。當樣本集非常大時，可以認為P(ci)=ci類樣本數/總樣本數。對於一個待分樣本X，其歸於cj類的類條件概率是P(X/ci)，則根據Bayes定理，可得到cj類的後驗概率P(ci/X)：

P(ci/x)=P(x/ci)·P(ci)/P(x)(1)

若P(ci/X)=MaxjP(cj/X)，i=1，2，…，M，j=1，2，…，M，則有x∈ci(2)

式(2)是最大後驗概率判決准則，將式(1)代入式(2)，則有：

若P(x/ci)P(ci)=Maxj〔P(x/cj)P(cj)〕，i=1，2，…，M，j=1，2，…，M，則x∈ci

這就是常用到的Bayes分類判決准則。經過長期的研究，Bayes分類方法在理論上論證得比較充分，在應用上也是非常廣泛的。

Bayes方法的薄弱環節在於實際情況下，類別總體的概率分布和各類樣本的概率分布函數(或密度函數)常常是不知道的。為了獲得它們，就要求樣本足夠大。另外，Bayes法要求表達文本的主題詞相互獨立，這樣的條件在實際文本中一般很難滿足，因此該方法往往在效果上難以達到理論上的最大值。

（6）神經網路

神經網路分類演算法的重點是構造閾值邏輯單元，一個值邏輯單元是一個對象，它可以輸入一組加權系數的量，對它們進行求和，如果這個和達到或者超過了某個閾值，輸出一個量。如有輸入值X1, X2, ..., Xn 和它們的權系數：W1, W2, ..., Wn，求和計算出的 Xi*Wi ，產生了激發層 a = (X1 * W1)+(X2 * W2)+...+(Xi * Wi)+...+ (Xn * Wn)，其中Xi 是各條記錄出現頻率或其他參數，Wi是實時特徵評估模型中得到的權系數。神經網路是基於經驗風險最小化原則的學習演算法，有一些固有的缺陷，比如層數和神經元個數難以確定，容易陷入局部極小，還有過學習現象，這些本身的缺陷在SVM演算法中可以得到很好的解決。