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

9 r2 \, y; D" t9 T, w2021年研究生数模B题论文记录
5 D/ n9 W7 {; a1.常见数据处理方法：
2.相关性系数选择
3.聚类算法
1 r8 O0 m8 `' ?( P# P- w1 K; m4.一种数据降维方式
1 {4 b( [8 x  U" t0 S5.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
$ U! c* A% I8 u& T; p  ^" b
8 [' e# n/ I8 N  C2 T1.常见数据处理方法：
' D& S. D" o$ ?' m! Q: A& u) E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:

2.相关性系数选择
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 a5 z. \5 F( K* I  z


& X) H* |  D: m* ^4 w" }3.聚类算法
文章中主要提到了两类，基于EM的GMM聚类，K-means聚类
4 m3 p: I1 s/ ^: M' I1 }  PK-means聚类算法
1 B- g$ C& `; s. yGMM聚类算法
. e: o6 ]0 ^) m/ x; o  H


0 t9 ~- T- H% h$ d# B. ^3 c4.一种数据降维方式
& a: Z% a! k1 f: j, f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
) d( ]; }3 l0 J8 \) R4 c& t
/ {2 y: x: s6 T3 p6 s8 O
5.预测模型
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
7 B! @; S) o( ~" n' w
' Y/ B0 U6 T, C
' T; q+ B0 C, I, P————————————————
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


' M/ d2 p4 I4 ?( z8 F