2021年研究生数模B题论文记录

杨利霞

2021年研究生数模B题论文记录

* r- D- Q/ Q0 T/ P, O0 i% G2021年研究生数模B题论文记录
1.常见数据处理方法：
2.相关性系数选择
" J- D( c' ~0 j# p& Y6 @3.聚类算法
+ }8 S7 c' [5 J7 L0 t4 r6 u9 K7 ]; ~4.一种数据降维方式
5.预测模型
- a# E# D2 ^/ _) K  R6 e9 g文章来源 2021年全国大学生研究生数学建模竞赛优秀论文集合，B题，文章编号：B21100130067

1.常见数据处理方法：
针对缺失值，文章使用的是拉格朗日插值法，相较于平均值插值法，更加适用于有时间序列性质的数据，同时插值后的数据属于预测的一部分，文章中的观点是保留小数
1 O4 F4 ^; ]6 j7 z5 z针对异常值，一种是不符合实际意义的数据，需要通过文献查找进行删除，一方面可以通过箱线图进行判断，也可以使用3σ准则进行判断,3σ准则解释:

9 n7 E* W$ X$ Z; N( C2.相关性系数选择
2 ?5 p% {. w. ?常见的有三种，皮尔森相关系数，肯德尔相关系数，斯皮尔曼相关系数，知乎解释
# q- W5 S# `5 U  U! ]0 {
5 y1 J9 G  z, I/ G! J$ |
+ f9 e5 |/ @: U
% q3 k! @7 H" H) s5 d3.聚类算法
% b$ v: o  O. L1 X3 ^  Y0 ~3 y/ d文章中主要提到了两类，基于EM的GMM聚类，K-means聚类
K-means聚类算法
9 w" j  e) N9 n0 wGMM聚类算法

2 |$ ~) S4 B/ Q+ I3 N( C0 w5 I

8 Z, m& p- |! J  V3 E. Z4.一种数据降维方式
* `# F0 A9 G0 Q8 N# P: u论文中提到的将22维的数据进行降维处理，判断降维后的数据是否容易进行聚类，进而推论出高维是否容易聚类，提到的算法是t-SNE t-SNE算法


5.预测模型
1 L& `0 s* X- }文中使用的是XGBoost算法，论文中的第三问和第四问都是用的这个算法，使用时候，作者将数据进行纵向合并，数据集划分等操作，同时由于输入的维度过高，达到22维，而输出维度很低，还通过了输入特征与输出值的相关性，将维度进行降低，提出相关性不高的特征，最后图像看起来很好。XGBoost算法讲解
5 D' v* u) C9 Q6 s* _/ d

————————————————
# Z0 B  O, V2 X* V版权声明：本文为CSDN博主「Philo`」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_44864833/article/details/126650997
8 P5 E% b6 I: u* b! L$ I- Z7 x7 `' e
: x7 j3 Z: k6 ?. O) C) T' v( W