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
  m# i) x- L1 k  `( R; C" c; b& m
  _7 |; P  q6 L2021年研究生数模B题论文记录
' Q9 h" J# w: \; a3 X: r1.常见数据处理方法：
8 G/ e% h8 M/ W, h% I/ _# O2.相关性系数选择
8 Q) {$ o5 E% x; {! ~3 n" V) n- }; ^/ e3.聚类算法
4.一种数据降维方式
0 W+ D4 q3 ^! H$ E7 a5.预测模型
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：
3 R/ ~' ]+ s) u: Z1 k1 l8 V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
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:
8 n2 n, Q! N3 _( p7 t% F9 B# Y& ?
4 d; @7 z& k! m! u" E9 v2.相关性系数选择
& w$ e$ T, e1 X7 O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

1 Q3 q- o" J3 N9 J- ?4 O
3 h% e) r4 y$ P4 m0 `- [
( u* j! @5 k: g, q8 C# p3.聚类算法
) g# w7 `5 j  P文章中主要提到了两类，基于EM的GMM聚类，K-means聚类
; K1 c/ S# I9 h) W) }K-means聚类算法
GMM聚类算法
0 w5 a- a$ {" R0 d& F$ B# q/ P

( J; R1 S" f1 L* }+ o- A
4.一种数据降维方式
) R! Z/ [" U9 l5 Q, v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
# R' P  T, Y! T
, h: A/ ^7 W* k3 W2 L* u
5.预测模型
& L3 J' L) Q  l: v0 T( p# g3 V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

' N9 T. f0 b* O9 V7 I6 B& u9 d
————————————————
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
: Z0 `) n) x5 K" v; T