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
7 d7 U* w: Q* t; c1 L% K. V6 \
8 F. K6 V. g/ q, v& b- f2021年研究生数模B题论文记录
1.常见数据处理方法：
! [- H- m' C9 Y6 a# O2.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
5 m( w. F5 V% i* m& x# w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
% h: q/ t8 l' x" J
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
0 Q# y) [4 U" p/ Y+ |5 I5 B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:

) h- Q4 F; @+ ]2.相关性系数选择
  G0 T( y. ^! L2 @) T$ U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
# g1 y+ p  `& M( v
5 J5 D1 U- i. s( a

6 D& c5 i% F1 j" R1 @% m! A# q6 I) `3.聚类算法
9 P+ u/ b. {. Z* B文章中主要提到了两类，基于EM的GMM聚类，K-means聚类
/ Y/ s. l: w% ?( l8 ZK-means聚类算法
GMM聚类算法
  m6 [* R  J( F0 _" q* c2 ?


1 i0 c5 W# p& C, f1 j! z! F4.一种数据降维方式
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
3 d! V. r- E1 k! k! a3 R

5.预测模型
& u9 R1 Z* w( J8 {: T" R5 v& ]; P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
) U% [/ V  @$ g# M# }

————————————————
: e5 t) I5 L2 F" D0 \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
+ q" ^) ?9 b+ |" s/ q7 _: _# A
, j# l% L5 A* l  J