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
$ n5 I& m' C3 O+ d
' o" i9 W- _# L$ N& B; i- |2021年研究生数模B题论文记录
7 N- o( ?0 ?8 Z: _+ [/ D5 f1.常见数据处理方法：
2.相关性系数选择
+ ^$ \; m  `6 F- q8 s! S' H0 j3.聚类算法
% ~# \& `0 J! E" O8 P4.一种数据降维方式
' l0 y. K6 s! [2 p5.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
6 m  X- A6 ?1 S9 k, n
3 Y/ I2 l# u' ?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:

4 T" C# m: Q  N6 u( n' j2.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

9 S( K8 E" w; V

. `2 `) v" N) o$ b9 `3.聚类算法
9 ~3 n9 \* [8 W8 \0 `% V' s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
. L* r' \: U/ K8 x- M, ?" d( t# XGMM聚类算法

7 G3 \# _! r, T$ h# `/ _
6 t" f9 \# E2 I. [. Z
) g3 }5 y; r% T! c, D4.一种数据降维方式
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


  E2 U8 \" t/ Q  a  b5.预测模型
5 h# H' E# S1 n5 N. w5 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
4 p2 Q* @1 L" k1 H: x3 j+ r* o: h) U
$ g3 [5 N9 N: q  R1 @. q6 z
————————————————
* l& B) @% K6 r- j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

' M2 D5 f3 \9 ?  p8 X, E* D& J