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
: j0 ?3 u3 Y" h8 D& A/ W
2021年研究生数模B题论文记录
+ |2 }( w* K$ M# V1.常见数据处理方法：
2.相关性系数选择
& s! B* P0 `  ]! N3.聚类算法
- {3 T6 q: O5 k4.一种数据降维方式
5.预测模型
! K9 p& C- T6 H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
9 d/ q" T7 K# q6 r* H* k
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
) @1 X: F# j: Z; U" m$ g" l8 ]; T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:

- J/ u" G- C. N9 ]3 ^% T$ E2.相关性系数选择
* j6 [. H, y3 B& s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

; O7 k. a+ d( M9 q2 ^$ c

" W* j: {- f3 g, l% L3.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
  q  ~$ L9 \8 Q) C' w2 ~9 n  h/ g, ~K-means聚类算法
5 x# m! l) N4 G5 Q5 L6 k7 q) R8 }GMM聚类算法

, _/ ~6 ?% I% J- i. J) d0 R

4.一种数据降维方式
1 T, E; G4 Y- b) Q: }: d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
0 c0 p9 n6 o' V# P! n

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

3 G& F9 @2 F% [4 E) Q
9 l; p  S2 [$ S————————————————
- e; j5 w& O8 |! C9 ]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


" X5 Y' b& U6 M7 o) h) M