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
8 h* R$ S2 I' d% Q
2021年研究生数模B题论文记录
9 e1 d; k: I0 x1.常见数据处理方法：
2.相关性系数选择
3.聚类算法
4.一种数据降维方式
5.预测模型
; l. I9 n# [1 `3 X9 b8 |3 r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
: m0 v$ Q$ @$ S/ C8 @3 W9 A
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
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:
& t# p& h; w! z3 }3 O# Z& t# o
+ n! ~2 J  m* V5 t" ^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
- s0 p5 `; t  g& w- V; Z' [


1 E% K/ ^- M- p2 x9 N# k3.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
K-means聚类算法
. V$ I8 @! [* x3 i6 F  J/ z& F. lGMM聚类算法

% x- C1 f3 r; Q9 [* I! B$ `4 R

- h& h: O1 ]9 r* _4 h. x! Q4.一种数据降维方式
0 ]: K! M9 g: u5 B* Q' 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
( W0 o) u: P2 F# O: G  ~

: g- P+ W! w) o0 O' g9 V5.预测模型
5 M& |: z( s# @( j7 a) @1 t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

8 B3 D; A% z4 ~$ r' d, ~: V
& V- |) R) q9 w————————————————
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

9 b: Y7 H* W; M" V% F. X